Impulse Train Test Accuracy versus Resources for Evaluation of Supraharmonics Assessment Methods
Notice bibliographique
Résumé
This paper shows that FPGA resources should not be the primary concern in developing a supraharmonic instrument for field measurement. Instead, the coherence of the results with impulse trains should be the primary target, as described in the CISPR16-1-1 standard. An FPGA resource analysis and simulations were performed to demonstrate this. For the implementation test, the Digital CISPR (D-CISPR) and the Light-Quasi-Peak (Light-QP) methods were implemented on FPGA. The two methods necessitated a low level of resources and required the same FPGA. For the simulations, the D-CISPR, the Light-QP and the proposed Numerical-Heterodyne methods were studied with the impulse train test and two examples of real-world signals. It was noted that the results were similar for the Numerical-Heterodyne and D-CISPR, closely matching the CISPR impulse train test targets, but were different for the Light-QP. A real-world example of an industrial plant shows the impact of the impulse train test behaviour. When a sharp transition is made in the signal, the Numerical-Heterodyne and D-CISPR methods have an overshoot while the light-QP does not, yielding a difference of 20% on the maximal measurements. Whether such an overshoot is desirable or not is discussed and should be the main criterion to select the best supraharmonic measurement method.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».