Efficient noise reduction for the free induction decay signal from a proton precession magnetometer with time-frequency peak filtering
Notice bibliographique
Résumé
The proton precession magnetometer (PPM) is a commonly used device to measure the varying magnetic field. Since the frequency of the PPM sensing free induction decay (FID) signal is proportional to the magnetic field, the signal-to-noise ratio (SNR) is always a critical issue that influences the measurement accuracy severely due to the external interferences such as harmonic noise and random noise. In this study, to boost the SNR of the FID signal, an effective filtering algorithm based on time-frequency peak filtering (TFPF) analyzed with pseudo-Wigner-Ville distribution (PWVD) is proposed. Through pre-treating the collected noisy FID signal with frequency modulation and instantaneous frequency estimation using the peak value of the time-frequency characterization, the embedded noise can be decorrelated and the relative pure FID signal can be detected regardless of the impact of varying noise levels. The superiority of the proposed synaptic noise reduction framework, namely, TFPF-PWVD, was found by comparing it with state-of-the-art approaches under the same conditions. The results illustrated that even though in a strong-noisy scenario, the proposed TFPF-PWVD based approach still achieved the best SNR for the yielded sensing FID and the minimum standard deviation for the observed magnetic field data, which can enhance the geomagnetic measuring performance of a PPM.
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) | 0,001 | 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 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 ».