Tuning Frequency Extraction of Free Induction Decay Signal Leveraging Higher Order Singular Value Tensor Decomposition and Fourier Synchrosqueezing Transform
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 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) | 0,000 | 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 découle