MétaCan
Menu
Retour à la cohorte
Enregistrement W4411019569 · doi:10.1109/jsen.2025.3574575

Sensitivity-Enhanced Displacement Sensing System Based on a Microwave Photonic Filter Incorporating a Figure-Eight Loop Interferometer

2025· article· en· W4411019569 sur OpenAlexaff
Guangying Wang, Jinying Fan, Junkai Zhang, Jiejun Zhang, Jianping Yao

Notice bibliographique

RevueIEEE Sensors Journal · 2025
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvanced Fiber Optic Sensors
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesGuangxi Key Research and Development Program
Mots-clésInterferometrySensitivity (control systems)Optical filterMicrowaveLoop (graph theory)Displacement (psychology)PhotonicsOpticsFilter (signal processing)PhysicsElectronic engineeringMaterials scienceOptoelectronicsEngineeringTelecommunicationsElectrical engineeringMathematics

Résumé

récupéré en direct d'OpenAlex

This work introduces a novel displacement sensing system with enhanced sensitivity and resolution by integrating a figure-eight loop interferometer (FELI) into a microwave photonic filter (MPF) architecture. Unlike conventional Mach-Zehnder interferometer (MZI)-based fiber sensors that rely on optical spectrum analyzers (OSAs) with limited resolution (∼0.02 nm), the proposed system leverages the distinct interferometric properties of the FELI and the high spectral resolution of MPF-based electrical demodulation. This innovation enables substantial performance improvement. The FELI-based MPF sensor achieves a displacement sensitivity of 0.207 MHz/μm, which is nearly twice that of the MZI-based MPF counterpart (0.113 MHz/μm). Analysis indicates a theoretical displacement resolution as fine as 4.83 pm, with practical accuracy reaching 0.3 μm, far surpassing the 7.168 mm resolution achievable via typical optical wavelength demodulation. This four-order-of-magnitude improvement highlights the FELI-MPF system as a breakthrough platform for ultra-high-resolution sensing, offering strong potential for compact, high-performance sensing in biometrics, on-chip diagnostics, and IoT applications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,005

Scores du classifieur distillé par catégorie (deux têtes)

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

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 Opus0,009
Tête enseignante GPT0,227
Écart entre enseignants0,218 · 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 source (Gemma direct ou Codex distillé), 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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetAdvanced Fiber Optic SensorsTravaux en français237 207