CN109557487A - 基于残差网络的磁共振信号的时频变换和相位校正的方法 - Google Patents

基于残差网络的磁共振信号的时频变换和相位校正的方法 Download PDF

Info

Publication number
CN109557487A
CN109557487A CN201811436577.1A CN201811436577A CN109557487A CN 109557487 A CN109557487 A CN 109557487A CN 201811436577 A CN201811436577 A CN 201811436577A CN 109557487 A CN109557487 A CN 109557487A
Authority
CN
China
Prior art keywords
network
time
signal
residual error
training
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.)
Pending
Application number
CN201811436577.1A
Other languages
English (en)
Inventor
索斐
杨钰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen University
Original Assignee
Xiamen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiamen University filed Critical Xiamen University
Priority to CN201811436577.1A priority Critical patent/CN109557487A/zh
Publication of CN109557487A publication Critical patent/CN109557487A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R33/00—Arrangements or instruments for measuring magnetic variables
    • G01R33/20—Arrangements or instruments for measuring magnetic variables involving magnetic resonance
    • G01R33/44—Arrangements or instruments for measuring magnetic variables involving magnetic resonance using nuclear magnetic resonance [NMR]
    • G01R33/46—NMR spectroscopy
    • G01R33/4625—Processing of acquired signals, e.g. elimination of phase errors, baseline fitting, chemometric analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Condensed Matter Physics & Semiconductors (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

基于残差网络的磁共振信号的时频变换和相位校正的方法，涉及磁共振信号的时频变换方法。根据FID信号的特征，构建同时存在零阶相位失调与一阶相位失调的自由感应衰减时域信号的数学模型和理想的吸收谱，即无相位失调的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；搭建残差网络模型，设置好相关的训练参数；网络训练；网络测试。利用深度学习中的残差神经网络，实现了将时域的自由感应衰减信号自动变换成理想吸收谱，即无相位失调的频谱实部。此过程中完成了从时域自动变换到频域，以及相位失调的自动校正，进而可以得到理想吸收谱。

Description

基于残差网络的磁共振信号的时频变换和相位校正的方法
技术领域
本发明涉及磁共振信号的时频变换方法，尤其是涉及基于残差网络的磁共振信号的时频变换和相位校正的方法。
背景技术
磁共振(NMR)被广泛地应用在化学计量分析和生物技术领域，从磁共振波谱中可以得到丰富的分子结构信息。然而在实际应用中磁共振谱经常存在着各种类型的相位失调，所以磁共振谱数据预处理是谱分析过程中不可或缺的一部分。相位失调一般包括零阶失调和一阶失调。零阶失调是指参考相位与仪器接收的自由感应衰减信号(FreeInduction Decay，FID)之间的相位差[1]。一阶失调可能由不同的原因引起，例如，激励和检测之间的时延或者由抗混叠滤波器引起的相移[2]。有效和可靠地校正零阶和一阶失调是从NMR谱中获取定量结果的先决条件[3]。故相位校正是谱数据预处理中非常关键的一步，而大多数现有的软件，需要操作者设置零阶、一阶调相值，从而对核磁共振谱进行相位校正。这不仅非常费时，而且校正的谱图质量依赖于操作者的经验，所以快速自动的相位校正非常必要，即将手工/视觉相位校正过程变化成自动相位校正。已提出的一些传统方法进行自动化相位校正时往往都不具有足够的准确性和鲁棒性。
深度学习通过分析并组合初级(浅层)特征，学习更加抽象和复杂的高层特征，以实现对数据的分类，或通过进一步组合高层特征进行数据的处理[4]。随着越来越多的优秀网络模型的提出，如卷积神经网络[5]、残差网络(Residual Network，ResNet)[6]和生成对抗网络(GenerativeAdversarial Network，GAN)[7]，深度学习的应用也越来越广泛、成熟。
参考文献：
[1]L.Chen,Z.Weng,L.Goh,M.Garland,An efficient algorithm for automaticphase correction of NMR spectra based on entropy minimization,J.Magn.Reson.158(2002)164–168.
[2]E.C.Craig,A.G.Marshall,Automated phase correction of FT NMRspectra by means of phase measurement based on dispersion versus absorptionrelation(DISPA),J.Magn.Reson.76(3)(1988)458–475.
[3]F.Malz,H.Jancke,Validation of quantitative NMR,J.Pharm.Biomed.Anal.38(5)(2005)813–823(Quantitative NMR Spectroscopy).
[4]S.S.Wang,Z.H.Su,L.Ying,X.Peng,S.Zhu,F.Liang,D.G.Feng,andD.Liang,"Accelerating magnetic resonance imaging via deep learning,"in 2016IEEE 13thInternational Symposium on Biomedical Imaging(ISBI),pp.514-517,2016.
[5]C.Dong,C.C.Loy,K.M.He,andX.O.Tang,"Learning a deepconvolutionalnetwork for image super-resolution,"in 13th European Conferenceon ComputerVision(ECCV),pp.184-199,2014.
[6]K.M.He,X.Y.Zhang,S.Q.Ren,andJ.Sun,"Deep residual learningforimagerecognition,"in Proceedings of the IEEE Conference on ComputerVisionand Pattern Recognition(CVPR),pp.770-778,2016.
[7]C.Ledig,L.Theis,F.Huszár,J.Caballero,A.Cunningham,A.Acosta,A.Aitken,A.Tejani,J.Totz,a nd Z.Wang,"Photo-realistic single imagesuperresolutionusing a generative adversarial network,"arXiv preprint arXiv:1609.04802,2016.
发明内容
本发明的目的在于提供由时域的自由感应衰减信号，通过深度学习得到理想吸收谱的基于残差网络的磁共振信号的时频变换和相位校正的方法。
本发明包括以下步骤：
1)根据FID信号的特征，构建同时存在零阶相位失调与一阶相位失调的自由感应衰减时域信号的数学模型和理想的吸收谱，即无相位失调的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；
2)搭建残差网络模型，设置好相关的训练参数；
3)网络训练；
4)网络测试。
在步骤1)中，所述同时存在零阶相位失调和一阶相位失调的自由感应衰减时域信号的数学模型可为：
上式中，ωk,σk,Ak分别为第k个谐波分量的频率、衰减因子和振幅，θ为初始时刻相位，Δ为信号激励与检测之间的延迟，N为信号长度；
无相位失调的理想吸收谱的数学模型为：
上式中，ωk,σk,Ak分别为第k个谐波分量的频率、衰减因子和振幅。
在步骤2)中，所述残差网络模型可包括：网络模型的主体结构、网络模型的损失函数和相关的训练参数；网络模型的主体结构为：一层的卷积层、四个残差单元(由两层卷积层构成一个残差单元)和三层卷积层；所述一层卷积层对应的卷积核大小为1×7，通道数为32；所述四个残差单元的卷积核大小为1×3，通道数为32；所述三层卷积层的卷积核大小为1×512，通道数分别为48，32，1；每层卷积层连接激活函数ReLU(Rectified Linear Unit)，输出层后不连接激活函数；
所述网络模型的损失函数为：
上式中，f(·)是训练网络，W和b是网络参数，x是输入的时域信号，y是对应的标签，即无相位失调的理想吸收谱，δ是自定义的参数。
在步骤3)中，所述网络训练的具体方法可为：将步骤1)中得到的训练集数据输入到网络中训练网络，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到功能化的网络模型；所述训练网络方式为：采用反向传播((Back Propagation，BP)算法训练，每次迭代采用最小批的方式(mini-batch)计算网络损失，并以此损失更新网络中的参数；当达到预定的最大迭代次数时，损失函数下降至收敛并趋于稳定，终止训练，获得功能化的网络模型。
在步骤4)中，所述网络测试的具体方法可为：将步骤1)中得到测试集数据中的时域信号输入到功能化的网络模型中，得到经网络调相并时频分析的谱图，并与标签进行比较以验证网络的性能。
本发明利用深度学习中的残差神经网络，实现了将时域的自由感应衰减信号自动变换成理想吸收谱，即无相位失调的频谱实部。此过程中完成了从时域自动变换到频域，以及相位失调的自动校正，进而可以得到理想吸收谱。
附图说明
图1是实施时频变换和相位校正的残差网络模型。
图2是网络中输入的时域自由感应衰减信号(Free Induction Decay，FID)实部的实例图。
图3是进行时频变换和相位校正的实例效果对比图。在图3中，图(a)展示的是对该信号直接傅里叶变换得到的未进行相位校正的频域相位失调谱(只显示出频谱的实部)，图(b)是本发明网络输出的经过时频变换和相位校正的频域理想谱。图(c)是理想谱的参考图。
具体实施方式
本具体实施例将对自由感应衰减时域信号变换成频域信号，并进行了相位校正，得到理想的吸收谱。时域信号长度大小为N1＝1×256，得到的频域信号长度大小为N2＝1×512。
参见图1～3，图1给出实施时频变换和相位校正的残差网络模型。在图1中，将长度大小为N1＝1×256的时域信号的实部、虚部拆分拼接成长度为N2＝1×512的数据作为网络的输入，网络模型构成包括一层卷积层、四个残差单元(由两层卷积层构成一个残差单元)和三层卷积层；所述一层卷积层对应的卷积核大小为1×7，通道数为32；所述四个残差单元的卷积核大小为1×3，通道数为32；所述三层卷积层的卷积核大小为1×512，通道数分别为48，32，1；网络输出为长度为N3＝1×512的频域信号。
图2给出网络中输入的时域自由感应衰减信号(Free Induction Decay，FID)实部的实例图。
图3给出进行时频变换和相位校正的实例效果对比图。在图3中，图(a)展示的是对该信号直接傅里叶变换得到的未进行相位校正的频域相位失调谱(只显示出频谱的实部)，图(b)是本发明网络输出的经过时频变换和相位校正的频域理想谱。图(c)是理想谱的参考图。
具体步骤如下：
1)根据FID信号的特征，构建同时存在零阶相位失调和一阶相位失调的自由感应衰减时域信号的数学模型，和理想的吸收谱，即无相位失调的频谱实部的数学模型。由该数学模型生成仿真信号，构建训练集数据和测试集数据。
零阶相位失调和一阶相位失调同时存在的自由感应衰减时域信号的数学模型为：
上式中，ωk,σk,Ak分别为第k个谐波分量的频率、衰减因子和振幅，θ为初始时刻相位，Δ为信号激励与检测之间的延迟，N为信号长度，其中k＝3，生成具有三个谐波分量的信号，Δ为(0，10)之间的任意值，ωk,θk为(0,2π)之间的任意值，αk为(0.005，0.1)之间的任意值，信号长度大小N＝1×256。
无相位失调的理想吸收谱的数学模型为：
上式中，ωk,σk,Ak分别为第k个谐波分量的频率、衰减因子和振幅，其中k＝3，生成具有三个谐波分量的信号，ω为(0,2π)等间隔的512个点。
训练集数据生成包括20万个样本，测试机数据生成包括2万个样本，且两个数据集中样本的ωk,σk,Δ,θ参数都是随机生成的，保证了每个样本的随机性。
2)搭建残差网络模型，设置好相关的训练参数。
所述残差网络模型包括：网络模型的主体结构、网络模型的损失函数和相关的训练参数。网络模型的主体结构为：一层的卷积层、四个残差单元(由两层卷积层构成一个残差单元)，和三层卷积层。所述一层卷积层对应的卷积核大小为1×7，通道数为32；所述四个残差单元的卷积核大小为1×3，通道数为32；所述三层卷积层的卷积核大小为1×512，通道数分别为48，32，1。每层卷积层连接激活函数ReLU，输出层后不连接激活函数。网络模型的损失函数为：
上式中，f(·)是训练网络，W和b是网络参数，x是网络的输入，将长度大小为N1＝1×256的时域信号的实部、虚部拆分拼接成长度为N2＝1×512的数据作为网络的输入，y是输入信号对应的标签，即无相位失调的理想吸收谱，长度大小为N3＝1×512，δ设置为1。
3)网络训练：将步骤1)中得到的训练集数据输入到网络中训练网络，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到功能化的网络模型。
所述训练网络方式为：采用BP算法训练，每次迭代采用最小批的方式(mini-batch)计算网络损失，并以此损失更新网络中的参数。当达到预定的最大迭代次数时，损失函数下降至收敛并趋于稳定，终止训练，获得功能化的网络模型。
4)网络测试：将步骤1)中得到测试集数据中的时域信号输入到功能化的网络模型中，得到经网络调相并时频分析的谱图，并与标签进行比较以验证网络的性能。
由于仿真信号的随机性，所述功能化的网络泛化性较强，在测试集上有良好的表现，得到与标签一致的输出。可见，本发明所提出的方法可以准确地对时域信号进行调相以及时频分析，所呈现的谱分析结果不仅无相位扭曲，且无截断效应。
目前，通过对自由感应衰减信号(Free Induction Decay，FID)傅里叶变换后，再手动对核磁共振谱进行相位校正非常费时，并往往依赖于操作者的经验，所以快速自动的相位校正是非常必要的。本发明的目的是利用深度学习的方法建立一种自动对FID信号进行时频变换，并对其进行相位校正得到理想吸收谱的方法。首先是构建残差网络结构，然后对网络进行训练得到功能化的网络模型。该网络将输入自由感应衰减时域信号，处理后输出经过相位校正的频域理想吸收谱。残差网络的训练数据来源于仿真数据。根据FID信号特征，分别仿真生成带有零阶相位失调和一阶相位失调的时域信号，以及和时域信号对应的理想吸收谱，即无相位失调的频谱实部。时域信号作为网络的输入，理想吸收谱作为标签，通过优化网络参数使其找到输入信号和输出信号之间的映射关系。

Claims (6)

1.基于残差网络的磁共振信号的时频变换和相位校正的方法，其特征在于包括以下步骤：
1)根据FID信号的特征，构建同时存在零阶相位失调与一阶相位失调的自由感应衰减时域信号的数学模型和理想的吸收谱，即无相位失调的频谱实部的数学模型，由数学模型生成仿真信号，构建训练集数据和测试集数据；
2)搭建残差网络模型，设置好相关的训练参数；
3)网络训练；
4)网络测试。
2.如权利要求1所述基于残差网络的磁共振信号的时频变换和相位校正的方法，其特征在于在步骤1)中，所述同时存在零阶相位失调和一阶相位失调的自由感应衰减时域信号的数学模型为：
上式中，ωk,σk,Ak分别为第k个谐波分量的频率、衰减因子和振幅，θ为初始时刻相位，Δ为信号激励与检测之间的延迟，N为信号长度。
3.如权利要求1所述基于残差网络的磁共振信号的时频变换和相位校正的方法，其特征在于在步骤1)中，无相位失调的理想吸收谱的数学模型为：
上式中，ωk,σk,Ak分别为第k个谐波分量的频率、衰减因子和振幅。
4.如权利要求1所述基于残差网络的磁共振信号的时频变换和相位校正的方法，其特征在于在步骤2)中，所述残差网络模型包括：网络模型的主体结构、网络模型的损失函数和相关的训练参数；网络模型的主体结构为：一层的卷积层、四个残差单元和三层卷积层；所述一层卷积层对应的卷积核大小为1×7，通道数为32；所述四个残差单元的卷积核大小为1×3，通道数为32；所述三层卷积层的卷积核大小为1×512，通道数分别为48，32，1；每层卷积层连接激活函数ReLU，输出层后不连接激活函数；
所述网络模型的损失函数为：
上式中，f(·)是训练网络，W和b是网络参数，x是输入的时域信号，y是对应的标签，即无相位失调的理想吸收谱，δ是自定义的参数。
5.如权利要求1所述基于残差网络的磁共振信号的时频变换和相位校正的方法，其特征在于在步骤3)中，所述网络训练的具体方法为：将步骤1)中得到的训练集数据输入到网络中训练网络，调整网络参数，直至损失函数下降至收敛并趋于稳定，得到功能化的网络模型；所述训练网络方式为：采用BP算法训练，每次迭代采用最小批的方式计算网络损失，并以此损失更新网络中的参数；当达到预定的最大迭代次数时，损失函数下降至收敛并趋于稳定，终止训练，获得功能化的网络模型。
6.如权利要求1所述基于残差网络的磁共振信号的时频变换和相位校正的方法，其特征在于在步骤4)中，所述网络测试的具体方法为：将步骤1)中得到测试集数据中的时域信号输入到功能化的网络模型中，得到经网络调相并时频分析的谱图，并与标签进行比较以验证网络的性能。
CN201811436577.1A 2018-11-28 2018-11-28 基于残差网络的磁共振信号的时频变换和相位校正的方法 Pending CN109557487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811436577.1A CN109557487A (zh) 2018-11-28 2018-11-28 基于残差网络的磁共振信号的时频变换和相位校正的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811436577.1A CN109557487A (zh) 2018-11-28 2018-11-28 基于残差网络的磁共振信号的时频变换和相位校正的方法

Publications (1)

Publication Number Publication Date
CN109557487A true CN109557487A (zh) 2019-04-02

Family

ID=65867752

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811436577.1A Pending CN109557487A (zh) 2018-11-28 2018-11-28 基于残差网络的磁共振信号的时频变换和相位校正的方法

Country Status (1)

Country Link
CN (1) CN109557487A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111856364A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 一种磁共振成像方法、装置、系统及存储介质
CN111856365A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 磁共振成像方法、磁共振成像方法及装置
CN114114117A (zh) * 2021-11-05 2022-03-01 中国科学院精密测量科学与技术创新研究院 一种基于深度学习的磁共振波谱相位校正方法
CN114910854A (zh) * 2022-07-14 2022-08-16 华中科技大学 一种脉冲强磁场下核磁共振fid信号相位校正方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680281A (zh) * 2016-12-31 2017-05-17 中国科学技术大学 一种基于深度残差学习网络的柴油车尾气烟度检测方法
CN107633520A (zh) * 2017-09-28 2018-01-26 福建帝视信息科技有限公司 一种基于深度残差网络的超分辨率图像质量评估方法
CN108010100A (zh) * 2017-12-07 2018-05-08 厦门大学 一种基于残差网络的单扫描磁共振定量t2成像重建方法
CN108427729A (zh) * 2018-02-23 2018-08-21 浙江工业大学 一种基于深度残差网络与哈希编码的大规模图片检索方法
US20180262291A1 (en) * 2017-03-07 2018-09-13 Government Of The United States Of America, As Represented By The Secretary Of The Navy Method for free space optical communication utilizing patterned light and convolutional neural networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106680281A (zh) * 2016-12-31 2017-05-17 中国科学技术大学 一种基于深度残差学习网络的柴油车尾气烟度检测方法
US20180262291A1 (en) * 2017-03-07 2018-09-13 Government Of The United States Of America, As Represented By The Secretary Of The Navy Method for free space optical communication utilizing patterned light and convolutional neural networks
CN107633520A (zh) * 2017-09-28 2018-01-26 福建帝视信息科技有限公司 一种基于深度残差网络的超分辨率图像质量评估方法
CN108010100A (zh) * 2017-12-07 2018-05-08 厦门大学 一种基于残差网络的单扫描磁共振定量t2成像重建方法
CN108427729A (zh) * 2018-02-23 2018-08-21 浙江工业大学 一种基于深度残差网络与哈希编码的大规模图片检索方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄颖颖: "《基于神经网络的核磁共振谱图自动相位校正综合算法研究与实现》", 《中国优秀博硕士学位论文全文数据库 (硕士) 基础科学辑》》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111856364A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 一种磁共振成像方法、装置、系统及存储介质
CN111856365A (zh) * 2019-04-24 2020-10-30 深圳先进技术研究院 磁共振成像方法、磁共振成像方法及装置
CN111856365B (zh) * 2019-04-24 2023-03-14 深圳先进技术研究院 磁共振成像方法、装置、系统及存储介质
CN111856364B (zh) * 2019-04-24 2023-03-28 深圳先进技术研究院 一种磁共振成像方法、装置、系统及存储介质
CN114114117A (zh) * 2021-11-05 2022-03-01 中国科学院精密测量科学与技术创新研究院 一种基于深度学习的磁共振波谱相位校正方法
CN114910854A (zh) * 2022-07-14 2022-08-16 华中科技大学 一种脉冲强磁场下核磁共振fid信号相位校正方法
CN114910854B (zh) * 2022-07-14 2022-10-04 华中科技大学 一种脉冲强磁场下核磁共振fid信号相位校正方法

Similar Documents

Publication Publication Date Title
CN109557487A (zh) 基于残差网络的磁共振信号的时频变换和相位校正的方法
US11287470B2 (en) Vector-valued regularized kernel function approximation based fault diagnosis method for analog circuit
CN109903259B (zh) 一种基于深度学习的磁共振波谱重建方法
US20220036231A1 (en) Method and device for processing quantum data
CN107068154A (zh) 基于声纹识别的身份验证的方法及系统
Wright Numerical methods for nonlinearly constrained optimization
CN110988804B (zh) 一种基于雷达脉冲序列的雷达辐射源个体识别系统
CN109657229A (zh) 一种意图识别模型生成方法、意图识别方法及装置
CN112884059B (zh) 一种融合先验知识的小样本雷达工作模式分类方法
CN106570464A (zh) 一种快速处理人脸遮挡的人脸识别方法及装置
CN104950173B (zh) 一种无源器件等效电路结构及参数测量方法及装置
CN114625838B (zh) 一种搜索系统的优化方法、装置、存储介质及计算机设备
CN106527757A (zh) 一种输入纠错方法及装置
CN106240839A (zh) 用于分析颤振试验数据的系统和方法
CN107958247A (zh) 用于人脸图像识别的方法和装置
CN113143243B (zh) 一种基于谱分解的深度学习磁共振波谱重建方法
CN108460783A (zh) 一种脑部核磁共振图像组织分割方法
CN106326904A (zh) 获取特征排序模型的装置和方法以及特征排序方法
Zhao et al. Learning separable dictionaries for sparse tensor representation: An online approach
Carrara et al. Neural networks for the peak-picking of nuclear magnetic resonance spectra
CN117668659A (zh) 一种多维水声目标物理特征智能提取与分类识别方法
CN110045184A (zh) 一种基于压缩感知macsmp的超次谐波测量方法
CN111063000B (zh) 基于神经网络结构搜索的磁共振快速成像方法和装置
CN108664936B (zh) 一种基于机器故障的诊断方法及系统
CN109784320A (zh) 人参设施农业域确定方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20190402

RJ01 Rejection of invention patent application after publication