Tuning Frequency Extraction of Free Induction Decay Signal Leveraging Higher Order Singular Value Tensor Decomposition and Fourier Synchrosqueezing Transform
Notice bibliographique
Résumé
The frequency of the free induction decay (FID) signal output 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 thus improve the frequency estimation accuracy. To improve the tuning performance in complex strong-disturbance environments, this article introduces a novel method using higher order singular value tensor decomposition (HOSVTD) and Fourier synchrosqueezing transform (FSST), namely, SVDFT. 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 used to organize the signals into a higher order tensor to compute singular values, and tensor canonical polyadic (CP) decomposition is incorporated to derive a low-noise FID signal. Subsequently, the FSST is used to analyze the low-noise signal to extract the time-frequency ridges to capture the tuning frequency. Finally, the SVDFT is contrasted with three techniques: autocorrelation and fast Fourier transform (AC-FFT), singular value decomposition (SVD) combined with short-time Fourier transform (STFT) (ST-SVD), and the HOSVTD and synchroextracting transform (SET), namely, SVDET. The experimental results demonstrate that under the presence of spike noise and the SNR is less than −20 dB, the frequency tuning deviations of the commonly used methods are up to 100 Hz, while that of the SVDFT is within 5 Hz, which verifies that the SVDFT can significantly enhance the sensor tuning accuracy in complex strong-disturbance conditions and has a strong ability for environmental adaptation.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 | 0,001 |
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 ».