CN111309093A - 一种理想波形模型的建立方法、装置、设备及存储介质 - Google Patents
一种理想波形模型的建立方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111309093A CN111309093A CN201911394391.9A CN201911394391A CN111309093A CN 111309093 A CN111309093 A CN 111309093A CN 201911394391 A CN201911394391 A CN 201911394391A CN 111309093 A CN111309093 A CN 111309093A
- Authority
- CN
- China
- Prior art keywords
- waveform
- energy
- sampling
- ideal
- sampled
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/02—Digital function generators
- G06F1/022—Waveform generators, i.e. devices for generating periodical functions of time, e.g. direct digital synthesizers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
- G01T7/00—Details of radiation-measuring instruments
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Molecular Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Measurement Of Radiation (AREA)
Abstract
本申请公开了一种理想波形模型的建立方法、装置、设备及存储介质,该方法包括:获取理想波形的采样样本集,理想波形的采样样本集包括多个采样波形;将理想波形的采样样本集中的采样波形划分为至少两个能量段,每个能量段中包括至少两个采样波形;分别根据每个能量段中的至少两个采样波形,建立不同能量段各自对应的理想波形模型。本实施例中分能量段建立理想波形模型,可以提高信噪分离的精确度。
Description
技术领域
本发明一般涉及核探测技术领域,具体涉及一种理想波形模型的建立方法、装置、设备及存储介质。
背景技术
随着技术的发展,对核探测、核成像领域中信噪分离能力的要求越来越高。
现有技术中,通过建立理想波形模型进行信噪分离,但是通过现有方法建立的理想波形模型,得到的信噪分离的精确度比较低。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种理想波形模型的建立方法、装置、设备及存储介质。
第一方面,本申请提供了一种理想波形模型的建立方法,包括:
获取理想波形的采样样本集,理想波形的采样样本集包括多个采样波形;
将理想波形的采样样本集中的采样波形划分为至少两个能量段,每个能量段中包括至少两个采样波形;
分别根据每个能量段中的至少两个采样波形,建立不同能量段各自对应的理想波形模型。
在其中一个实施例中,将理想波形的采样样本集中的采样波形划分为至少两个能量段,包括:
获取数量为能量段个数减一的能量阈值;
根据能量阈值,将理想波形的采样样本集中的采样波形划分为至少两个能量段。
在其中一个实施例中,建立每个能量段对应的理想波形模型,包括:
从能量段中选取幅度中位数的采样波形;
根据幅度中位数的采样波形,确定每个采样波形分别对应的幅度归一化系数;
根据幅度归一化系数及能量段中的采样波形,确定每个采样波形分别对应的归一化波形;
根据归一化波形,确定理想波形模型。
在其中一个实施例中,根据幅度中位数的采样波形,确定每个采样波形分别对应的幅度归一化系数,包括:
建立能量段中幅度中位数的采样波形与能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程;
根据第一平方差异和方程,确定每个采样波形分别对应的幅度归一化系数。
在其中一个实施例中,根据归一化波形,确定理想波形模型,包括:
建立归一化波形与待建立波形的第二平方差异和方程;
根据第二平方差异和方程,确定待建立波形;
将待建立波形,确定为理想波形模型。
第二方面,本申请实施例提供了一种理想波形模型的建立装置,包括:
获取模块,用于获取理想波形的采样样本集,理想波形的采样样本集包括多个采样波形;
划分模块,用于将理想波形的采样样本集中的采样波形划分为至少两个能量段;
建立模块,用于分别根据每个能量段中的采样波形,建立不同能量段各自对应的理想波形模型。
在其中一个实施例中,划分模块还用于:
获取数量为能量段个数减一的能量阈值;
根据能量阈值,将理想波形的采样样本集中的采样波形划分为至少两个能量段。
在其中一个实施例中,建立模块还用于:
从能量段中选取幅度中位数的采样波形;
根据幅度中位数的采样波形,确定每个采样波形分别对应的幅度归一化系数;
根据幅度归一化系数及能量段中的采样波形,确定每个采样波形分别对应的归一化波形;
根据归一化波形,确定理想波形模型。
在其中一个实施例中,建立模块还用于:
建立能量段中幅度中位数的采样波形与能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程;
根据第一平方差异和方程,确定每个采样波形分别对应的幅度归一化系数。
在其中一个实施例中,建立模块还用于:
建立归一化波形与待建立波形的第二平方差异和方程;
根据第二平方差异和方程,确定待建立波形;
将待建立波形,确定为理想波形模型。
第三方面,本申请实施例提供一种终端设备,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该程序时实现如第一方面所述的方法。
第四方面,本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如第一方面所述的方法。
本实施例中,采用将理想波形的采样样本集划分能量段,再根据每个能量段中的采样波形建立不同能量段对应的理想波形模型。本实施例中分能量段建立理想波形模型,可以提高信噪分离的精确度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1为本发明的实施例提供的理想波形模型的建立方法的流程示意图;
图2为本发明的实施例提供的每个能量段对应的理想波形模型的建立方法的流程示意图;
图3为现有方法在不设置能量下阈的情况下,对放射源Na22的能谱图;
图4为现有方法在不设置能量下阈的情况下,对放射源Na22的散点图;
图5为现有方法在不设置能量下阈的情况下,对放射源Cs137的能谱图;
图6为现有方法在不设置能量下阈的情况下,对放射源Cs137的散点图;
图7为本申请方法对放射源Na22的能谱图;
图8为本申请方法对放射源Na22的散点图;
图9为本申请方法对放射源Cs137的能谱图;
图10为本申请方法对放射源Cs137的散点图;
图11为现有方法在大剂量率环境下的对放射源Cs137的总能谱图;
图12为现有方法在大剂量率环境下的对放射源Cs137的单能谱图;
图13为现有方法在大剂量率环境下的对放射源Cs137的散点图;
图14为本申请方法在大剂量率环境下的对放射源Cs137的总能谱图;
图15为本申请方法在大剂量率环境下的对放射源Cs137的单能谱图;
图16为本申请方法在大剂量率环境下的对放射源Cs137的散点图;
图17为本发明的实施例提供的理想波形模型的建立装置的结构示意图;
图18为本发明的实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
现有技术中,通过建立理想波形模型进行信噪分离,但是通过现有理想波形模型,得到的信噪分离的精确度比较低。
本申请实施例希望提出一种理想波形模型的建立方法,能够提高信噪分离的精确度。
参照图1,其示出了根据本申请一个实施例提供描述的一种理想波形模型的建立方法的流程示意图。
如图1所示,一种理想波形模型的建立方法,可以包括:
步骤101:获取理想波形的采样样本集,理想波形的采样样本集包括多个采样波形。
具体的,理想波形可以为在理想的探测环境下,低计数率条件下,固定探测器的晶体和放大成形电路,输出的信号达峰时间T1,输出的信号衰减时间T2,以及幅度阈值下限A1,幅度阈值上限A2,所有的参数差异在10%之内的采样信号。其中,信号达峰时间T1及衰减时间T2根据探测器的晶体和放大成形电路确定,幅度阈值下限A1及幅度阈值上限A2可以根据需要设置。
其中,理想波形的采样样本集可以是从理想波形中随机筛选出的多个理想波形的集合,也可以是从理想波形中根据需要挑选出的多个理想波形的集合,这里对采样样本集的确定方式不予限定。
其中,理想波形的采样样本集的获取方式:可以是直接从服务器中获取已经存储的理想波形的采样样本集,也可以是从服务器获取波形,然后将获取到的波形中判断出为理想波形的波形存入理想波形的采样样本集,这里对理想波形的采样样本集的获取方式不予限定。
示例性的,理想波形的采样样本集中包括m个采样波形,其中,m≥3,每个采样波形包括n个采样点。
步骤102:将理想波形的采样样本集中的采样波形划分为至少两个能量段,每个能量段中包括至少两个采样波形。
由于采样波形的波形均略有不同,因此,可以将理想波形的采样样本集中的采样波形按各波形的能量进行能量段的划分,然后分别对各能量段进行波形建模。
其中,能量段中可以包括所有波形能量比较接近的采样波形,需要说明的是,能量比较接近的采样波形可以是根据具体需求设定的在同一能量阈值范围内的采样波形。
在其中一个实施例中,将理想波形的采样样本集中的采样波形划分为至少两个能量段,包括:获取数量为能量段个数减一的能量阈值;根据能量阈值,将理想波形的采样样本集中的采样波形划分为至少两个能量段。
具体的,将理想波形的采样样本集中的采样波形划分为至少两个能量段,例如,可以将理想波形的采样样本集中的采样波形划分为三个能量段,示例性的,三个能量段可以为高能段、中能段、低能段。
其中,划分能量段时先获取数量为能量段个数减一的能量阈值,例如,划分为三个能量段即获取2个能量阈值,2个能量阈值可以分别为第一能量阈值和第二能量阈值,将理想波形的采样样本集中的采样波形的能量大于或等于第一能量阈值的采样波形全部划分至高能段,将理想波形的采样样本集中的采样波形的能量小于第一能量阈值且大于或等于第二能量阈值的采样波形全部划分至中能段,将理想波形的采样样本集中的采样波形的能量小于第二能量阈值的采样波形全部划分至低能段。
理想波形的采样样本集中的采样波形还可以根据实际需要划分为其他个数的能量段,可以按照上述方式类推,这里不再赘述。
步骤103:分别根据每个能量段中的至少两个采样波形,建立不同能量段各自对应的理想波形模型。
具体的,理想波形模型可以是根据采样波形建立的,用于信噪分离。理想波形模型的建立方法可以通过现有的方法进行建立,也可以通过下述方法进行建立。
本实施例中,采用将理想波形的采样样本集划分能量段,再根据每个能量段中的采样波形建立不同能量段对应的理想波形模型。本实施例中分能量段建立理想波形模型,可以提高信噪分离的精确度。
参照图2,其示出了根据本申请一个实施例提供描述的每个能量段对应的理想波形模型的建立方法的流程示意图。示例性的,下述以高能段对应的理想波形模型的建立方法为例进行阐述。
如图2所示,建立每个能量段对应的理想波形模型,可以包括:
步骤201,从能量段中选取幅度中位数的采样波形。
具体的,幅度中位数是指,将同一个能量段中的所有采样波形的幅度从小到大或从大到小进行依次排列后,位于中间的采样波形的幅度。需要说明的是,幅度中位数的选取还可以采用其他方式,这里不再赘述。
例如,高能段中包含m个采样样本(X1,…,Xi,…,Xm),每个采样波形包括n个采样点。选取出幅度中位数的采样波形为Xi,Xi的采样点分别为(xi1,…,xij,…,xin)。
步骤202,根据幅度中位数的采样波形,确定每个采样波形分别对应的幅度归一化系数。
具体的,步骤201选取出幅度中位数的采样波形后,高能段中其他采样波形与幅度中位数的采样波形相比均有一个幅度归一化系数。
在其中一个实施例中,根据幅度中位数的采样波形,确定每个采样波形分别对应的幅度归一化系数,可以包括:建立能量段中幅度中位数的采样波形与能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程;根据第一平方差异和方程,确定每个采样波形分别对应的幅度归一化系数。
示例性的,设高能段中所有采样波形与幅度中位数的采样波形的幅度归一化系数分别为A1,…,Ai,…,Am,其中Ai=1。
将高能段中所有采样波形通过幅度归一化系数换算成与幅度中位数的采样波形一样的幅度,换算后的各采样波形为:AlXl,各采样波形的采样点分别为(Alxl1,…,Alxlj,…,Alxln),其中,l=1~m,j=1~n,可以采用最小二乘法建立能量段中幅度中位数的采样波形与能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程为:
对变量Ak求导,在所有平方差异和最小的时候,得到能量段中其余的采样波形与幅度中位数的采样波形的幅度归一化系数。
步骤203,根据幅度归一化系数及能量段中的采样波形,确定每个采样波形分别对应的归一化波形。
具体的,每个采样波形分别对应的归一化波形为能量段中的采样波形与各自的幅度归一化系数的乘积。
示例性的,将高能段中的m个采样波形,分别乘以各自的幅度归一化系数Ak,其中,k=1~m,得到幅度相同的m个归一化波形Sk,Sk=Xk*Ak。Sk的采样点分别为(sk1,…,skj,…,skn),skj=xkj*Ak,其中,j=1~n。
步骤204,根据归一化波形,确定理想波形模型。
在其中一个实施例中,根据归一化波形,确定理想波形模型,包括:建立归一化波形与待建立波形的第二平方差异和方程;根据第二平方差异和方程,确定待建立波形;将待建立波形,确定为理想波形模型。
具体的,设待建立波形为yj,可以利用最小二乘法建立归一化波形与待建立波形的第二平方差异和方程为:
第二平方差异和方程对变量yk求导,当所有第二平方差异和最小时,得到待建立波形:
将每个待建立波形yk分别确定为每个理想波形的理想波形模型。
如图3、图4分别为现有方法在不设置能量下阈的情况下,对放射源Na22的能谱图和散点图,如图5、图6分别为现有方法在不设置能量下阈的情况下,对放射源Cs137的能谱图和散点图,图7、图8分别为本申请方法对放射源Na22的能谱图和散点图,图9、图10分别为本申请方法对放射源Cs137的能谱图和散点图。从上述图中对比,可以看出,采用现有方法,在不设置能量下阈的情况下,很多噪声被误寻峰触发,导致大量的低能端噪声被采集到,所以就会在散点图中看到一个亮点,所以通常会设置一个阈值下限,将这些噪声去除,但是这样又会导致很多低能端的真实信号无法被提取出来。而采用本申请件量的理想波形模型,就可以在不设置能量下阈的情况下,提取出真实信号,从而达到散点图清晰分辨的结果。
另外,对大剂量率环境也进行了实际测试,使用1mCide Cs137的放射源,贴近探测器5cm距离,探测器面积大约为5.1cm*5.1cm。如图11、图12所示,分别为采用现有方法在总能谱和单能谱图中,在1400keV的能量道上没有峰值,如图13所示,散点图无法分开。如图14、图15所示,分别采用本申请建立理想波形模型的方法,可以在总能谱和单能谱图中明显看到峰值,如图16所示为清晰的散点图。
如图17所示,为本申请实施例提供的理想波形模型的建立装置1700的结构示意图。如图17所示,该装置实现如图1-图2所示的方法,该装置可以包括:
获取模块1710,用于获取理想波形的采样样本集,理想波形的采样样本集包括多个采样波形;
划分模块1720,用于将理想波形的采样样本集划分为至少两个能量段;
建立模块1730,用于分别根据每个能量段中的采样波形,建立不同能量段各自对应的理想波形模型。
可选地,划分模块还用于:获取数量为能量段个数减一的能量阈值;根据能量阈值,将理想波形的采样样本集划分为至少两个能量段。
可选地,建立模块1720还用于:从能量段中选取幅度中位数的采样波形;根据幅度中位数的采样波形,确定每个采样波形分别对应的幅度归一化系数;根据幅度归一化系数及能量段中的采样波形,确定每个采样波形分别对应的归一化波形;根据归一化波形,确定理想波形模型。
可选地,建立模块1730还用于:建立能量段中幅度中位数的采样波形与能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程;根据第一平方差异和方程,确定每个采样波形分别对应的幅度归一化系数。
可选地,建立模块1730还用于:建立归一化波形与待建立波形的第二平方差异和方程;根据第二平方差异和方程,确定待建立波形;将待建立波形,确定为理想波形模型。
本实施例提供的理想波形模型的建立装置,可以执行上述方法的实施例,其实现原理和技术效果类似,在此不再赘述。
图18为本发明实施例提供的一种计算机设备的结构示意图。如图18所示,示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统1800的结构示意图。
如图18所示,计算机系统1800包括中央处理单元(CPU)1801,其可以根据存储在只读存储器(ROM)1802中的程序或者从存储部分308加载到随机访问存储器(RAM)1803中的程序而执行各种适当的动作和处理。在RAM 1803中,还存储有系统1800操作所需的各种程序和数据。CPU 1801、ROM 1802以及RAM 1803通过总线1804彼此相连。输入/输出(I/O)接口1806也连接至总线1804。
以下部件连接至I/O接口1805:包括键盘、鼠标等的输入部分1806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1807;包括硬盘等的存储部分1808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1809。通信部分1809经由诸如因特网的网络执行通信处理。驱动器1810也根据需要连接至I/O接口1806。可拆卸介质1811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1810上,以便于从其上读出的计算机程序根据需要被安装入存储部分1808。
特别地,根据本公开的实施例,上文参考图1描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括有形地包含在机器可读介质上的计算机程序,计算机程序包含用于执行上述理想波形模型的建立方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1809从网络上被下载和安装,和/或从可拆卸介质1811被安装。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面,本申请还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质;也可以是单独存在,未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序,前述程序被一个或者一个以上的处理器用来执行描述于本申请的理想波形模型的建立方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种理想波形模型的建立方法,其特征在于,包括:
获取理想波形的采样样本集,所述理想波形的采样样本集包括多个采样波形;
将所述理想波形的采样样本集中的所述采样波形划分为至少两个能量段,每个所述能量段中包括至少两个所述采样波形;
分别根据每个能量段中的所述至少两个采样波形,建立不同能量段各自对应的理想波形模型。
2.根据权利要求1所述的方法,其特征在于,所述将所述理想波形的采样样本集中的采样波形划分为至少两个能量段,包括:
获取数量为所述能量段个数减一的能量阈值;
根据所述能量阈值,将所述理想波形的采样样本集中的采样波形划分为至少两个能量段。
3.根据权利要求1或2所述的方法,其特征在于,建立每个能量段对应的理想波形模型,包括:
从所述能量段中选取幅度中位数的采样波形;
根据所述幅度中位数的采样波形,确定每个所述采样波形分别对应的幅度归一化系数;
根据所述幅度归一化系数及所述能量段中的采样波形,确定每个所述采样波形分别对应的归一化波形;
根据所述归一化波形,确定所述理想波形模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述幅度中位数的采样波形,确定每个所述采样波形分别对应的幅度归一化系数,包括:
建立所述能量段中所述幅度中位数的采样波形与所述能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程;
根据所述第一平方差异和方程,确定每个所述采样波形分别对应的幅度归一化系数。
5.根据权利要求3所述的方法,其特征在于,所述根据所述归一化波形,确定所述理想波形模型,包括:
建立所述归一化波形与待建立波形的第二平方差异和方程;
根据所述第二平方差异和方程,确定所述待建立波形;
将所述待建立波形,确定为所述理想波形模型。
6.一种理想波形模型的建立装置,其特征在于,包括:
获取模块,用于获取理想波形的采样样本集,所述理想波形的采样样本集包括多个采样波形;
划分模块,用于将所述理想波形的采样样本集中的采样波形划分为至少两个能量段;
建立模块,用于分别根据每个能量段中的所述采样波形,建立不同能量段各自对应的理想波形模型。
7.根据权利要求6所述的装置,其特征在于,所述建立模块还用于:
从所述能量段中选取幅度中位数的采样波形;
根据所述幅度中位数的采样波形,确定每个所述采样波形分别对应的幅度归一化系数;
根据所述幅度归一化系数及所述能量段中的采样波形,确定每个所述采样波形分别对应的归一化波形;
根据所述归一化波形,确定所述理想波形模型。
8.根据权利要求7所述的装置,其特征在于,所述建立模块还用于:
建立所述能量段中所述幅度中位数的采样波形与所述能量段中其余的采样波形、幅度归一化系数的第一平方差异和方程;
根据所述第一平方差异和方程,确定每个所述采样波形分别对应的幅度归一化系数。
9.一种终端设备,其特征在于,所述设备包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394391.9A CN111309093B (zh) | 2019-12-30 | 2019-12-30 | 一种理想波形模型的建立方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911394391.9A CN111309093B (zh) | 2019-12-30 | 2019-12-30 | 一种理想波形模型的建立方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111309093A true CN111309093A (zh) | 2020-06-19 |
CN111309093B CN111309093B (zh) | 2021-08-03 |
Family
ID=71152750
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911394391.9A Active CN111309093B (zh) | 2019-12-30 | 2019-12-30 | 一种理想波形模型的建立方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111309093B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200953532Y (zh) * | 2006-09-19 | 2007-09-26 | 西安航空发动机(集团)有限公司 | 用于微型储能点焊机的整流电路 |
CA2810960A1 (en) * | 2010-09-28 | 2012-04-05 | Rene-Edouard Andre Michel Plessix | Earth model estimation through an acoustic full waveform inversion of seismic data |
CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
US8239432B2 (en) * | 2007-10-05 | 2012-08-07 | Micron Technology, Inc. | Incorporating noise and/or jitter into waveform generation |
EP2863242A2 (en) * | 2013-10-18 | 2015-04-22 | Services Petroliers Schlumberger | Classification and visualization of time-series data |
-
2019
- 2019-12-30 CN CN201911394391.9A patent/CN111309093B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN200953532Y (zh) * | 2006-09-19 | 2007-09-26 | 西安航空发动机(集团)有限公司 | 用于微型储能点焊机的整流电路 |
US8239432B2 (en) * | 2007-10-05 | 2012-08-07 | Micron Technology, Inc. | Incorporating noise and/or jitter into waveform generation |
CA2810960A1 (en) * | 2010-09-28 | 2012-04-05 | Rene-Edouard Andre Michel Plessix | Earth model estimation through an acoustic full waveform inversion of seismic data |
WO2012041834A1 (en) * | 2010-09-28 | 2012-04-05 | Shell Internationale Research Maatschappij B.V. | Earth model estimation through an acoustic full waveform inversion of seismic data |
CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
EP2863242A2 (en) * | 2013-10-18 | 2015-04-22 | Services Petroliers Schlumberger | Classification and visualization of time-series data |
Also Published As
Publication number | Publication date |
---|---|
CN111309093B (zh) | 2021-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Peel et al. | Breaking degeneracies in modified gravity with higher (than 2nd) order weak-lensing statistics | |
Delos et al. | Density profiles of ultracompact minihalos: Implications for constraining the primordial power spectrum | |
CN109063741B (zh) | 一种基于希尔伯特曲线变换与深度学习的能谱分析方法 | |
Aartsen et al. | Search for prompt neutrino emission from gamma-ray bursts with IceCube | |
Ranalli et al. | The XMM deep survey in the CDF-S-III. Point source catalogue and number counts in the hard X-rays | |
Giannantonio et al. | The significance of the integrated Sachs–Wolfe effect revisited | |
EP3614181A1 (en) | Method for fitting flickering pulse digitized signals | |
Andreon et al. | JKCS 041: a colour-detected galaxy cluster at~ 1.9 with deep potential well as confirmed by X-ray data | |
Hale et al. | LOFAR observations of the XMM-LSS field | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
CN111753870B (zh) | 目标检测模型的训练方法、装置和存储介质 | |
Pires et al. | Cosmological model discrimination with weak lensing | |
JP2016099888A (ja) | センサデータ分類装置、方法およびプログラム | |
Rosales-Ortega et al. | Integrated spectra extraction based on signal-to-noise optimization using integral field spectroscopy | |
JPWO2019049263A1 (ja) | シンプルプロファイリング(spm)手法の変換プログラムおよびシンプルプロファイリング(spm)手法の変換方法 | |
Mitchell-Wynne et al. | Beyond stacking: a maximum-likelihood method to constrain radio source counts below the detection threshold | |
CN111812670B (zh) | 一种单光子激光雷达空间变换噪声判断、滤波方法及装置 | |
Xiao et al. | A new pulse model for NaI (Tl) detection systems | |
CN111309093B (zh) | 一种理想波形模型的建立方法、装置、设备及存储介质 | |
Huber et al. | A stacking method to study the gamma-ray emission of source samples based on the co-adding of Fermi-LAT count maps | |
Zeng et al. | Cosmological evolution of fermi large area telescope gamma-ray blazars using novel nonparametric methods | |
Steinbacher et al. | Integrated full-waveform analysis and classification approaches for topo-bathymetric data processing and visualization in hydroVISH | |
Vianello et al. | Searching for high-energy gamma-ray counterparts to gravitational-wave sources with Fermi-lat: a needle in a haystack | |
CN111008356B (zh) | 一种基于WTSVD算法扣除背景的γ能谱集分析方法 | |
Díaz et al. | On the ability of the Benford’s Law to detect earthquakes and discriminate seismic signals |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |