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. • We build novel denoising autoencoder for complex random telegraph signal analysis. • Our denoising autoencoder effectively suppresses local and global background noise. • We successfully identify digitized telegraph signals from noisy multilevel data. • We give extensive performance results of many multilevel random telegraph signals.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».