Frequency Estimation Enhancement for Industrial Free Induction Decay Signals Under Low SNR via Hankelization and Modified Covariance
Notice bibliographique
Résumé
The frequency of a free induction decay (FID) signal from an industrial proton precession magnetometer (PPM) is proportional to the magnetic field strength. To achieve high-precision frequency estimation for an FID signal with a low signal-to-noise ratio (SNR), a long estimation period is always required, which limits the application scenarios of the PPMs, such as aeromagnetic detection. To break through the contradiction between frequency estimation precision and time, this article proposes an enhanced frequency estimation method via Hankelization and modified covariance, dubbed EFE-HMC. First, the collected 1-D FID signal is constructed as a third-order tensor through Hankelization, and then the noise tensors are removed by multilinear singular value decomposition (MLSVD) to improve the SNR; second, the preprocessed third-order tensor is inverted into a 1-D signal, and the modified covariance is employed to estimate the corresponding signal frequency; and third, an experimental test platform is constructed to compare the proposed EFE-HMC with three state-of-the-art methods including carry chain, equal precision, and Dn-ResUnet. The results demonstrate that when the SNR is lower than −10 dB and the estimation time varies from 50 to 200 ms, the frequency estimation precision is improved by 60% on average. Moreover, the frequency estimation time is reduced by about 150 ms when the frequency estimation precision is better than 0.03 Hz.
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 ».