MétaCan
Menu
Retour à la cohorte
Enregistrement W4408358918 · doi:10.23919/comex.2025xbl0021

Equivalence of Two Types of Knife-Edge Diffraction Models to Predict Shadowing Effect

2025· article· en· W4408358918 sur OpenAlexaboutno aff
Xin Du, CheChia Kang, Jun‐ichi Takada

Notice bibliographique

RevueIEICE Communications Express · 2025
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueRemote Sensing and LiDAR Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Information and Communications Technology
Mots-clésEquivalence (formal languages)DiffractionEnhanced Data Rates for GSM EvolutionMathematicsPhysicsComputer scienceOpticsPure mathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The knife-edge diffraction (KED) model has been widely used to predict the shadowing effect. In addition to the classical Fresnel KED model using the Fresnel integral, in recent years an alternative expression proposed by mobile and wireless communications enablers for the twenty-twenty information society (METIS), i.e., METIS KED model, has also been used. This letter proposes a mathematical derivation to rigorously prove that the METIS KED model can be seen as an approximated envelope of the Fresnel KED model. Simulated results agree with the proposal that the METIS KED model is identical to the Fresenl KED model with a low error of 0.19 dB in the shadowed region, and the METIS KED model can be seen as an approximated envelope of the Fresnel KED model with a negligible error of 0.01 dB in the lit region. In addition, based on the connection between the Fresnel and METIS KED models, we propose a threshold for the four-state piecewise linear modeling, which can satisfy the modeling of the shadowing effect at a specific frequency or environment and is the closed form.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,460
Score d'incertitude au seuil0,379

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,026
Tête enseignante GPT0,309
Écart entre enseignants0,283 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEICE Communications ExpressMême sujetRemote Sensing and LiDAR ApplicationsTravaux en français237 207