Higher-Order Singular Value Tensor Decomposition-Based Tuning Frequency Estimation for FID Signals Under Low SNR
Notice bibliographique
Résumé
The frequency of the free induction decay (FID) signal induced from an Overhauser magnetometer sensor is proportional to the magnetic field to be measured. Due to the low initial signal-to-noise ratio (SNR), sensor tuning is necessary to suppress the noise and improve the frequency estimation accuracy. To improve the tuning performance in complex strong-disturbance environments, this study introduces a novel method using higher-order singular value tensor decomposition (HOSVTD) and Fourier synchrosqueezing transform (FSST), namely HOSVTD-FSST. First, multiple FID signals are obtained using an equal delay multichannel acquisition strategy to establish a deeper, more intrinsic correlation attribute. Second, matrix segmentation is applied to construct the signals into a higher-order tensor for singular value computation, and the CANDECOMP/PARAFAC (CP) decomposition is fused to obtain a low-noise FID. Third, the FSST is employed to analyze the low-noise signal to extract the time-frequency ridges to capture the tuning frequency. Finally, the HOSVTD-FSST is compared with numerous commonly used methods. The experimental results demonstrate that under the presence of spike noise and with the SNR less than −20 dB, the frequency tuning deviations of the commonly used methods are up to 100 Hz, while that of the HOSVTD-FSST is within 5 Hz, which verifies that the HOSVTD-FSST can significantly enhance the sensor tuning accuracy in complex strong-disturbance conditions.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».