Attenzione: i dati modificati non sono ancora stati salvati. Per confermare inserimenti o cancellazioni di voci è necessario confermare con il tasto SALVA/INSERISCI in fondo alla pagina
Benvenuti nell'Anagrafe della Ricerca d'Ateneo
In this paper, a procedure for the detection of the sources of industrial noise and the evaluation of their distances is introduced. The above method is based on the analysis of acoustic and optical data recorded by an acoustic camera. In order to improve the resolution of the data, interpolation and quasi interpolation algorithms for digital data processing have been used, such as the bilinear, bicubic, and sampling Kantorovich (SK). The experimental tests show that the SK algorithm allows to perform the above task more accurately than the other considered methods.
Asdrubali, F., Baldinelli, G., Bianchi, F., Costarelli, D., D'Alessandro, F., Scrucca, F., et al. (2021). Mathematical models for the improvement of detection techniques of industrial noise sources from acoustic images. MATHEMATICAL METHODS IN THE APPLIED SCIENCES, 44(13), 10448-10459 [https://doi.org/10.1002/mma.7420].
Mathematical models for the improvement of detection techniques of industrial noise sources from acoustic images
In this paper, a procedure for the detection of the sources of industrial noise and the evaluation of their distances is introduced. The above method is based on the analysis of acoustic and optical data recorded by an acoustic camera. In order to improve the resolution of the data, interpolation and quasi interpolation algorithms for digital data processing have been used, such as the bilinear, bicubic, and sampling Kantorovich (SK). The experimental tests show that the SK algorithm allows to perform the above task more accurately than the other considered methods.
Asdrubali, F., Baldinelli, G., Bianchi, F., Costarelli, D., D'Alessandro, F., Scrucca, F., et al. (2021). Mathematical models for the improvement of detection techniques of industrial noise sources from acoustic images. MATHEMATICAL METHODS IN THE APPLIED SCIENCES, 44(13), 10448-10459 [https://doi.org/10.1002/mma.7420].
I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.
Utilizza questo identificativo per citare o creare un link a questo documento: http://hdl.handle.net/11590/404616
Citazioni
ND
2
2
social impact
simulazione ASN
Il report seguente simula gli indicatori relativi alla propria produzione scientifica in relazione alle soglie ASN 2021-2023 del proprio SC/SSD. Si ricorda che il superamento dei valori soglia (almeno 2 su 3) è requisito necessario ma non sufficiente al conseguimento dell'abilitazione. La simulazione si basa sui dati IRIS e sugli indicatori bibliometrici alla data indicata e non tiene conto di eventuali periodi di congedo obbligatorio, che in sede di domanda ASN danno diritto a incrementi percentuali dei valori. La simulazione può differire dall'esito di un’eventuale domanda ASN sia per errori di catalogazione e/o dati mancanti in IRIS, sia per la variabilità dei dati bibliometrici nel tempo. Si consideri che Anvur calcola i valori degli indicatori all'ultima data utile per la presentazione delle domande.
La presente simulazione è stata realizzata sulla base delle specifiche raccolte sul tavolo ER del Focus Group IRIS coordinato dall’Università di Modena e Reggio Emilia e delle regole riportate nel DM 589/2018 e allegata Tabella A. Cineca, l’Università di Modena e Reggio Emilia e il Focus Group IRIS non si assumono alcuna responsabilità in merito all’uso che il diretto interessato o terzi faranno della simulazione. Si specifica inoltre che la simulazione contiene calcoli effettuati con dati e algoritmi di pubblico dominio e deve quindi essere considerata come un mero ausilio al calcolo svolgibile manualmente o con strumenti equivalenti.
