Application of Hilbert-Huang Decomposition to Reduce Noise and Characterize for NMR FID Signal of Proton Precession Magnetometer
Notice bibliographique
Résumé
The parameters in a nuclear magnetic resonance free induction decay (FID) signal contain information that is useful in magnetic field measurement, magnetic resonance sounding and other related applications. A real time sampled FID signal is well modeled as a finite mixture of exponential sequences plus noise. We propose to use the Hilbert-Huang transform (HHT) for noise reduction and characterization, where the generalized Hilbert-Huang represents a way to decompose a signal into so-called intrinsic mode function (IMF) along with a trend, and obtain instantaneous frequency data. First, acquiring the actual untuned FID signal by a developed prototype of proton magnetometer, and then the empirical mode decomposition is performed to decompose the noise and original FID. Finally, the HHT is applied to the obtained IMFs to extract the Hilbert energy spectrum of the signal on the frequency axis. By theory analysis and the testing of an actual FID signal, the results show that, compared with general noise reduction methods such as auto correlation and singular value decomposition, combined with the proposed method can further suppress the interfered signals effectively, and can obtain different components of FID signal, which can be used to identify the magnetic anomaly, the existence of groundwater etc. This is a very important property since it can be exploited to separate the FID signal from noise and to estimate exponential sequence parameters of FID signal.
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 | 0,000 | 0,000 |
| 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 ».