A denoising autoencoder based on U-Net and bidirectional long short-term memory for multi-level random telegraph signal analysis
Notice bibliographique
Résumé
Random telegraph signals (RTSs) are specific time-fluctuating signal patterns marked by a series of distinctive switching events between well-defined signal levels. These signals are ubiquitous in many electronic, chemical, and biological devices and systems. Analyzing RTSs unveils associated system structures and internal operation mechanisms, offering valuable insights into performance sensitivity. Therefore, accurate parameter quantification of RTSs is essential for understanding their origin and significance. While two-level RTS analysis is straightforward, complications arise at multiple levels, especially with unwanted background fluctuations. To address this challenge, we developed a novel denoising autoencoder model with U-Net and bidirectional long short-term memory (DAE UBL) for denoising multi-level RTSs degraded by Gaussian white and pink noise. DAE UBL extracts lower-dimensional latent features with its encoder and reconstructs denoised RTS with its decoder. Trained and validated with large datasets of noisy multi-level RTSs, our DAE UBL demonstrates superior and stable denoising performance compared to four classic models with lower average median root mean squared errors by over 78% and 63% for all RTS data accompanying various strengths of white noise and pink noise. Average median signal-to-noise ratios in the DAE UBL analysis are increased by over 65% and 56% for the white noise and pink noise datasets. In the time domain, DAE UBL effectively suppresses both local and global fluctuations, thereby successfully removing background noise. Our model exhibits robust performance in denoising multi-level RTSs with strong pink noise. We envision that our DAE UBL will be an attractive denoising methodology for the complex multi-level RTS analysis.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».