Accelerating Brillouin fiber sensing via destructive-interference-enabled precise raw data acquisition and nonredundant image denoising
Notice bibliographique
Résumé
Distributed Brillouin fiber sensing, based on the linear relationship between Brillouin frequency shift (BFS) and physical quantities applied to sensing fibers, has found numerous applications in the past few decades. Recently, various advanced image denoising methods have been used for performance enhancements in Brillouin fiber sensors. Yet, even though these methods do significantly remove noises contained in raw data, the BFS measurement uncertainty is not reduced–the newly introduced image denoising appears redundant with the conventional signal processing. Here, in order to truly make Brillouin fiber sensing benefit from image denoising, we directly map BFS from the image-denoised data via the slope-assisted analysis of the Brillouin phase-gain ratio. As such, noise reduction resulting from image denoising fully translates into measurement uncertainty reduction. In order to further optimize the performance of image-denoising-enhanced Brillouin fiber sensing, we improve the quality of the raw Brillouin gain and phase data by designing an advanced coherent detection scheme called a microwave-photonic interferometer, which converts some amplitude and phase noises into common-mode noises and further eliminates them through destructive interference. A more than 20-fold sensing speed acceleration compared to the state-of-the-art is experimentally achieved. This remarkable performance enhancement is obtained by only optimizing the signal detection and processing unit, without modifying Brillouin scattering between pump and probe waves. Our method seamlessly connects Brillouin fiber sensing with advanced image denoising methods developed for computer vision and artificial intelligence, and makes image-denoising-enhanced Brillouin fiber sensing outperform the state-of-the art significantly.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».