CN104932863B - 一种高维指数信号数据补全方法 - Google Patents
一种高维指数信号数据补全方法 Download PDFInfo
- Publication number
- CN104932863B CN104932863B CN201510362290.9A CN201510362290A CN104932863B CN 104932863 B CN104932863 B CN 104932863B CN 201510362290 A CN201510362290 A CN 201510362290A CN 104932863 B CN104932863 B CN 104932863B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- data
- matrix
- signal
- tensor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
一种高维指数信号数据补全方法,涉及高维数据的预测和补全方法。根据张量平行因子分解对高维指数信号建模;建立一种基于张量平行因子分解的高维数据补全模型;求解基于张量平行因子分解的高维数据补全模型;数据后处理,对求解获得的高维指数信号进行傅立叶变换,即得到补全后的高维指数信号频谱。精度高,可以从少量的数据中补全出完整的信号。在实际应用中,若目标函数可以建模成指数函数的高维信号,则可以通过采用高维指数信号补全方法,实现利用少量的数据补全获得完整的信号,从而达到克服采样设备限制,降低采样时间,提高频谱分辨率的目的。
Description
技术领域
本发明涉及高维数据的预测与补全,尤其是涉及具有指数函数的高维信号的数据补全问题。
背景技术
在许多实际应用中,如核磁共振波谱、雷达目标定位等,我们感兴趣的目标信号可以建模成在频域(相对时域)上若干谱峰的线性叠加,而采集的数据是时域(相对频域)信号,并且符合指数函数。而在实际的采样中,通常由于受到硬件、物理条件的限制,为了加快采样的速度等原因,实际采样得到的数据并不完整或达不到预期的分辨率,甚至只能得到极少部分的数据,需要补全采集到数据中的丢失部分。特别是在高维应用领域,通常由于数据量非常大,造成采样时间非常冗长,往往在测量时采用欠采样的方式缩短采样时间,通过数据补全的方法得到完整的数据和预期的分辨率。
比如核磁共振波谱,它在化学结构分析领域有着重要的应用。但数据采集时间随着维数的增加而指数级增长。2维谱到4维谱的采集时间从分钟不断上升到几十天(M.Mobliand J.C.Hoch,"Nonuniform sampling and non-Fourier signal processing methodsin multidimensional NMR,"Progress in Nuclear Magnetic Resonance Spectroscopy,vol.83,pp.21-41,2014.)。冗长的高维核磁共振实验时间,不但使得实验必须耗费大量的谱仪机时,而且加大了不稳定蛋白质样品的实验难度,从而限制了高维核磁共振技术在蛋白质研究中的应用。为了缩短高维核磁共振实验时间,一个常见的做法是采用非均匀采样的方式来减少时间域的采样点数(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,Vladislav Orekhov.Accelerated NMR spectroscopy with low-rank reconstruction,Angewandte Chemie International Edition,vol.54,no.3,pp.852-854,2015.)(XiaoboQu,Di Guo,Xue Cao,Shuhui Cai and Zhong Chen.Reconstruction of self-sparse 2DNMR spectra from undersampled data in indirect dimension,Sensors,vol.11,no.9,pp.8888-8909,2011.),但这样做造成信号的丢失,需要对信号进行补全。
发明内容
本发明的目的在于提供一种高维指数信号数据补全方法。
本发明包括以下步骤:
1)根据张量平行因子分解对高维指数信号建模,具体方法如下:
N维指数信号根据张量平行因子分解(张贤达,矩阵分析与应用[M].第二版,北京:清华大学出版社,2013.)表示成其中“ο”表示向量外积,列向量称为模式向量,并且符合指数函数,R取正整数,简洁的算子形式可以表示为:
其中符号“T”表示求矩阵的转置;符号“[[]]”表示tucker算子(张贤达,矩阵分析与应用[M].第二版,北京:清华大学出版社,2013.);
2)建立一种基于张量平行因子分解的高维数据补全模型,具体方法如下:
测量得到的含有数据丢失的N维指数信号Y=Q[[(1)UT,(2)UT,…,(N)UT]],Q表示带有数据丢失的采样算子,确定数据丢失的位置,建立一种基于张量平行因子分解的高维数据补全模型为:
其中Pr(k)U表示取出矩阵(k)U的第r行向量,RPr(k)U表示把向量Pr(k)U排列成汉克尔矩阵,||RPr(k)U||*表示求矩阵RPr(k)U的核范数,即对矩阵RPr(k)U的奇异值求和;表示对张量求弗罗贝尼乌斯范数,即求张量Y-Q[[(1)UT,(2)UT,…,(N)UT]]各元素的平方和;λ是正则化参数(λ>0),用于权衡和两项的重要性;参数R为正整数,通常可取信号在频域上预期谱峰个数的2~5倍;
3)求解基于张量平行因子分解的高维数据补全模型,具体方法如下:
求解公式(2)中的最优化问题,可以采用交替方向乘子法,引入中间变量(k)Zr=RPr(k)UT和拉格朗日乘子(k)Dr,(k=1,…,N;r=1,…,R),可以根据下式迭代更新变量:
其中(k)U(t+1),和分别表示变量(k)U,(k)Zr和(k)Dr在第t+1次迭代时的值;符号“*”表示求矩阵的共轭转置;符号“-1”表示求矩阵的逆;(k)G=(N)UT·…·(k+1)UT·(k-1)UT·…·(1)UT,“·”表示Khatri-Rao积(张贤达,矩阵分析与应用[M].第二版,北京:清华大学出版社,2013.);矩阵X(k)和Y(k)分别表示张量X和Y的纵向展开的Kolda矩阵化(张贤达,矩阵分析与应用[M].第二版,北京:清华大学出版社,2013.);(k)Q表示带有数据丢失的采样算子,并且采样得到的数据(k)QX(k)与QX相同;表示奇异值收缩算子(J.F.Cai,E.J.Candes,and Z.W.Shen,"A singular value thresholding algorithmfor matrix completion,"SIAM Journal on Optimization,vol.20,pp.1956-1982,2010.)(Xiaobo Qu,Maxim Mayzel,Jian-Feng Cai,Zhong Chen,VladislavOrekhov.Accelerated NMR spectroscopy with low-rank reconstruction,AngewandteChemie International Edition,vol.54,no.3,pp.852-854,2015.);参数β和τ是正数,通常可取1;当达到迭代停止准则时,迭代停止;迭代停止准则设定为达到最大迭代次数或(k)U(k=1,…,N)在相邻两次迭代中的误差||(k)U(t+1)-(k)U(t)||F小于设置的阈值η(取值大于0);当迭代停止时,可根据公式(1)得到完整的高维指数信号;
4)数据后处理,具体方法是对求解获得的高维指数信号进行傅立叶变换,即得到补全后的高维指数信号频谱。
本发明首先利用张量平行因子分解来表示高维指数信号,并建立一种基于张量平行因子分解的高维数据补全模型,然后通过迭代算法补全信号。本发明的有益效果是:精度高,可以从少量的数据中补全出完整的信号。在实际应用中,若目标函数可以建模成指数函数的高维信号,则可以通过采用本发明提出的一种高维指数信号补全方法,实现利用少量的数据补全获得完整的信号,从而达到克服采样设备限制,降低采样时间,提高频谱分辨率的目的。
附图说明
图1为数据补全后所得的投影谱。
图2为数据未丢失的投影谱(作为参考)。
具体实施方式
下面通过具体实施例对本发明作进一步的说明,并给出补全的结果。本实施例是一个补全三维指数信号数据的模拟实验。
第一步:确定一个三维指数信号的数据丢失位置
本实施例中,三维指数信号X大小为32×32×32,包含了3个谱峰。在模拟数据采集时,三维信号X沿着第三维(沿着竖直方向上的维度)丢失了后面3/4的数据,即整个三维信号X只采集到1/4的数据。
第二步:根据张量平行因子分解为高维指数信号建模
根据公式(1),三维指数信号X可以建模成:
X=[[(1)UT,(2)UT,(3)UT]] (6)
其中(i)U(i=1,2,3)的行向量符合指数函数;符号“[[]]”表示tucker算子。
第三步:建立一种基于张量平行因子分解的高维数据补全模型:测量得到的含有数据丢失的3维指数信号Y=Q[[(1)UT,(2)UT,(3)UT]],Q表示含有数据丢失的采样算子。构建如下3维指数信号补全模型:
其中Pr(k)U表示取出矩阵(k)U的第r行向量,RPr(k)U表示把向量Pr(k)U排列成汉克尔矩阵,||RPr(k)U||*表示求矩阵Pr(k)U的核范数,即对矩阵的奇异值求和;表示求张量Y-Q[[(1)UT,(2)UT,(3)UT]]各元素的平方和;λ是正则化参数(λ>0),用于权衡和两项的重要性;本实施例中参数R设为6。
第四步:求解基于张量平行因子分解的高维数据补全模型:
求解公式(7)中的最优化问题,采用交替方向乘子法。引入中间变量(k)Zr=RPr(k)UT和拉格朗日乘子(k)Dr,(k=1,2,3;r=1,…,6)。可以根据下式迭代更新变量:
其中(k)U(t+1),和分别表示变量(k)U,(k)Zr和(k)Dr在第t+1次迭代时的值;符号“*”表示求矩阵的共轭转置;符号“-1”表示求矩阵的逆;(k)G=(N)UT·…·(k+1)UT·(k-1)UT·…·(1)UT,“·”表示Khari-Tao积;矩阵X(k)和Y(k)分别表示张量X和Y的纵向展开的Kolda矩阵化(张贤达,矩阵分析与应用[M].第二版,北京:清华大学出版社,2013.);(k)Q表示带有数据丢失的采样算子,并且采样得到的数据(k)QX(k)与QX相同;表示奇异值收缩算子;本实施例中参数β和τ取1。迭代停止准则为达到最大迭代次数100或(k)U(k=1,2,3)在相邻两次迭代中的误差||(k)U(t+1)-(k)U(t)||F小于设置的阈值η=10-6。当迭代停止时,可根据公式(6)得到完整的高维指数信号。
第五步:数据后处理
对补全的高维时间信号进行傅立叶变换即可得到三维谱图。为了方便展示三维谱,沿第三维做投影得到二维投影谱(对三维矩阵中沿第三维上的数据求和得到二维矩阵),如图1所示。作为参考,对原始未丢失数据的信号做傅立叶变换得到三维谱,并同样沿第三维做投影得到二维投影谱,如图2所示。
Claims (1)
1.一种高维指数信号数据补全方法,其特征在于包括以下步骤:
1)根据张量平行因子分解对高维指数信号建模,其具体方法如下:
N维指数信号根据张量平行因子分解表示成其中表示向量外积,列向量称为模式向量,r=1,2,…,R;i=1,2,…,N,并且符合指数函数,R取正整数,简洁的算子形式表示为:
其中i=1,2,…,N;符号“T”表示求矩阵的转置;符号表示tucker算子;
2)建立一种基于张量平行因子分解的高维数据补全模型,其具体方法如下:
测量得到的含有数据丢失的N维指数信号Y,建立一种基于张量平行因子分解的高维数据补全模型为:
其中,Q表示带有数据丢失的采样算子,确定数据丢失的位置,Pr(k)U表示取出矩阵(k)U的第r行向量,RPr(k)U表示把向量Pr(k)U排列成汉克尔矩阵,||RPr(k)U||*表示求矩阵RPr(k)U的核范数,即对矩阵RPr(k)U的奇异值求和;表示对张量求弗罗贝尼乌斯范数,即求张量各元素的平方和;λ是正则化参数,λ>0,用于权衡和两项的重要性;参数R为正整数,取信号在频域上预期谱峰个数的2~5倍;
3)求解基于张量平行因子分解的高维数据补全模型,其具体方法如下:
求解公式(2)中的最优化问题,采用交替方向乘子法,引入中间变量(k)Zr=RPr(k)UT和拉格朗日乘子(k)Dr,k=1,…,N;r=1,…,R,根据下式迭代更新变量:
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mrow></mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msup>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<msup>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msubsup>
<mi>&beta;P</mi>
<mi>r</mi>
<mo>*</mo>
</msubsup>
<msup>
<mi>R</mi>
<mo>*</mo>
</msup>
<msub>
<mi>RP</mi>
<mi>r</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<msup>
<mi>G</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<msup>
<mi>Q</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>Q</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<mi>G</mi>
</mrow>
<mo>)</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>R</mi>
</munderover>
<msubsup>
<mi>&beta;P</mi>
<mi>r</mi>
<mo>*</mo>
</msubsup>
<msub>
<msup>
<mi>R</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>Z</mi>
<mi>r</mi>
</msub>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>r</mi>
<mo>*</mo>
</msubsup>
<msub>
<msup>
<mi>R</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<mi>D</mi>
<mi>r</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msub>
<msup>
<mi>G</mi>
<mo>*</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
<msup>
<mi>Q</mi>
<mo>*</mo>
</msup>
<msub>
<mi>Y</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msub>
</mrow>
<mo>)</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mmultiscripts>
<mi>Z</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mmultiscripts>
<mo>=</mo>
<msub>
<mi>S</mi>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mi>&beta;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>RP</mi>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<mi>U</mi>
<mo>+</mo>
<mfrac>
<mrow>
<msub>
<mmultiscripts>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mmultiscripts>
<mi>r</mi>
</msub>
</mrow>
<mi>&beta;</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mmultiscripts>
<mi>D</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mmultiscripts>
<mo>=</mo>
<mmultiscripts>
<mi>D</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mmultiscripts>
<mo>+</mo>
<mi>&tau;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>RP</mi>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mrow>
</msub>
<msup>
<mi>U</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>-</mo>
<mmultiscripts>
<mi>Z</mi>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</mmultiscripts>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
其中(k)U(t+1),和分别表示变量(k)U,(k)Zr和(k)Dr在第t+1次迭代时的值;符号“*”表示求矩阵的共轭转置;符号“-1”表示求矩阵的逆;(k)G=(N)UT·…·(k+1)UT·(k-1)UT·…·(1)UT,“·”表示Khatri-Rao积;矩阵X(k)和Y(k)分别表示张量X和Y的纵向展开的Kolda矩阵化;(k)Q表示带有数据丢失的采样算子,并且采样得到的数据(k)QX(k)与QX相同;表示奇异值收缩算子;参数β和τ是正数并取1;当达到迭代停止准则时,迭代停止;迭代停止准则设定为达到最大迭代次数或(k)U,k=1,…,N,在相邻两次迭代中的误差||(k)U(t+1)-(k)U(t)||F小于设置的阈值η,η取值大于0;当迭代停止时,根据公式(1)得到完整的高维指数信号;
4)数据后处理,具体方法是对求解获得的高维指数信号进行傅立叶变换,即得到补全后的高维指数信号频谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362290.9A CN104932863B (zh) | 2015-06-26 | 2015-06-26 | 一种高维指数信号数据补全方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510362290.9A CN104932863B (zh) | 2015-06-26 | 2015-06-26 | 一种高维指数信号数据补全方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104932863A CN104932863A (zh) | 2015-09-23 |
CN104932863B true CN104932863B (zh) | 2018-02-16 |
Family
ID=54120041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510362290.9A Active CN104932863B (zh) | 2015-06-26 | 2015-06-26 | 一种高维指数信号数据补全方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104932863B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105808869A (zh) * | 2016-03-16 | 2016-07-27 | 厦门理工学院 | 一种基于块Hankel矩阵的磁共振波谱重建方法 |
CN107728211B (zh) * | 2017-08-31 | 2020-11-24 | 电子科技大学 | 基于张量核范数正则化的地震信号恢复算法 |
CN110162744B (zh) * | 2019-05-21 | 2023-01-17 | 天津理工大学 | 一种基于张量的车联网数据缺失多重估计新方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101763730B (zh) * | 2009-12-30 | 2012-09-26 | 北京世纪高通科技有限公司 | 交通路况信息填补方法和系统 |
CN103020984B (zh) * | 2012-09-25 | 2015-08-26 | 浙江大学 | 基于稀疏表达的三维人体运动数据补全方法 |
-
2015
- 2015-06-26 CN CN201510362290.9A patent/CN104932863B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于矩阵补全的天波雷达瞬态干扰抑制算法;李茂 等;《电子与信息学报》;20150531;第37卷(第5期);第1031-1037页 * |
快速低秩矩阵与张量恢复的算法研究;刘园园;《中国博士学位论文全文数据库 信息科技辑》;20131115(第11期);第126-130页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104932863A (zh) | 2015-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ying et al. | Hankel matrix nuclear norm regularized tensor completion for $ n $-dimensional exponential signals | |
CN106646303B (zh) | 一种欠采样磁共振波谱的快速重建方法 | |
Trindade et al. | Non-negative matrix factorisation of large mass spectrometry datasets | |
CN104932863B (zh) | 一种高维指数信号数据补全方法 | |
CN105137373B (zh) | 一种指数信号的去噪方法 | |
CN112363161B (zh) | 基于散射机制分解的植被垂直结构及林下地形反演方法及装置 | |
CN105808869A (zh) | 一种基于块Hankel矩阵的磁共振波谱重建方法 | |
CN107423543B (zh) | 一种超复数磁共振波谱的快速重建方法 | |
Matsuki et al. | Boosting protein dynamics studies using quantitative nonuniform sampling NMR spectroscopy | |
Wang et al. | A sparse model-inspired deep thresholding network for exponential signal reconstruction--application in fast biological spectroscopy | |
CN105807241B (zh) | 一种利用先验信息的指数信号去噪方法 | |
Bruno et al. | Multivariate curve resolution for 2D solid-state NMR spectra | |
CN104793159B (zh) | 一种高维核磁共振时域信号补全方法 | |
Qiu et al. | An automatic denoising method for NMR spectroscopy based on low-rank Hankel model | |
CN110675318B (zh) | 一种基于主结构分离的稀疏表示图像超分辨率重建方法 | |
Krishnamurthy | Complete reduction to amplitude frequency table (CRAFT)—a perspective | |
CN108828482B (zh) | 结合稀疏和低秩特性的欠采样磁共振扩散谱的重建方法 | |
Selegato et al. | Plant metabolomics using NMR spectroscopy | |
CN109165432B (zh) | 一种基于部分奇异值和的磁共振波谱重建方法 | |
Shamaei et al. | Physics-informed deep learning approach to quantification of human brain metabolites from magnetic resonance spectroscopy data | |
Schleif et al. | Genetic algorithm for shift-uncertainty correction in 1-D NMR-based metabolite identifications and quantifications | |
Guo et al. | XCloud-VIP: Virtual peak enables highly accelerated NMR spectroscopy and faithful quantitative measures | |
CN106649201A (zh) | 一种基于指数信号的范德蒙分解的数据补全方法 | |
CN108920423B (zh) | 一种高保真谱重建方法 | |
Guo et al. | Hypercomplex low rank reconstruction for nmr spectroscopy |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |