CN114624271A - 一种基于变分模态分解的x射线荧光光谱本底扣除方法 - Google Patents
一种基于变分模态分解的x射线荧光光谱本底扣除方法 Download PDFInfo
- Publication number
- CN114624271A CN114624271A CN202210305018.7A CN202210305018A CN114624271A CN 114624271 A CN114624271 A CN 114624271A CN 202210305018 A CN202210305018 A CN 202210305018A CN 114624271 A CN114624271 A CN 114624271A
- Authority
- CN
- China
- Prior art keywords
- background
- decomposition
- spectral data
- vmd
- ray fluorescence
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/223—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material by irradiating the sample with X-rays or gamma-rays and by measuring X-ray fluorescence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种基于变分模态分解的X射线荧光光谱本底扣除方法,其特征在于,利用变分模态分解VMD算法对X射线荧光光谱XRF的原始光谱数据进行分解,分解后选择第一层分量进行处理;将处理后的第一层分量再进行迭代分解,直到达到VMD算法的停止条件,并将最后分解得到的第一层分量作为最终估计的本底;在原始光谱数据上减去本底分量得到扣除本底后的光谱数据。本发明具有效果不弱于当前所有已有的本底扣除方法,同时具有使用简单、自适应于所有谱图、效果稳定、无需根据谱图选择不同参数等优点。
Description
技术领域
本发明涉及X射线荧光光谱XRF的谱图预处理技术,特别涉及一种基于迭代变分模态分解的光谱本底扣除方法。
背景技术
在使用X荧光光谱对物质进行分析时,光谱中通常会包含连续谱本底、目标元素特征X射线谱峰、逃逸峰、和峰等。而连续谱本底一直被认为是显著干扰,本底的存在会使得净峰面积的估算结果过大和峰位估算结果偏移。为了准确获得目标元素特征X射线谱峰及其净峰面积,必须在解谱之前采用本底扣除方法,提高净峰面积的准确性,同时也可以校正吸收增强效应。
在所有光谱的本底扣除中,能量色散型X射线荧光光谱本底扣除尤为复杂,因为一些元素含量少,计数较低,过分的本底扣除对于含量较多的元素定量分析影响有限,但是对于相对含量较低的土壤重金属(例如Cd、Hg、As等)影响较大。为了扣除本底,研究人员已经提出了多种算法。一种方法是从硬件的角度出发,通过改进光路,如设计三角形光路结构抑制本底的产生,更多的研究是从软件的角度对已生成的光谱进行本底扣除,常采用多项式拟合、傅立叶变换、削峰法和神经网络,以及近几年研究较多的迭代小波变换等。目前在所有的本底扣除算法中,迭代小波变换是公认效果最好的算法。
小波变换是满足叠加性原理的线性时频分析手段,能够对信号进行多尺度分析,非常适合区分特征峰和本底。然而,小波变换非常依赖小波基的选择,在使用小波变换时,必须根据具体问题选择合适的小波基,否则难以达到满意的效果。同时,由于激励源的差异性,根本无法找到适用于所有信号成分的万能基函数。此外,用于本底扣除的迭代小波算法不仅需要针对谱图人工选择小波基,还需要设置合适的小波分解层数、迭代次数等指标,要取得良好的效果是一个复杂且有难度的事情。
发明内容
本发明要解决的技术问题是,提供一种具有使用简单、自适应于所有谱图、效果稳定、无需根据谱图选择不同参数的光谱的本底扣除方法。
本发明为解决上述技术问题所采用的技术方案是,一种基于变分模态分解的X射线荧光光谱本底扣除方法,其特征在于,包括以下步骤:
1)利用变分模态分解VMD算法对X射线荧光光谱XRF的原始光谱数据进行分解,分解后选择第一层分量进行处理;将处理后的第一层分量再进行迭代分解,直到达到VMD算法的停止条件,并将最后分解得到的第一层分量作为最终估计的本底;
2)在原始光谱数据上减去本底分量得到扣除本底后的光谱数据。
变分模态分解VMD是一种新的自适应、完全非递归的信号分解方法,通过迭代搜寻变分模型最优解,来确定模态及其对应的中心频率和带宽,可以直接适用于各种信号的分解估计。VMD目前常用于设备的故障诊断领域中,可以用于从振动信号中提取对故障敏感的特征或去除振动信号的噪声干扰。例如通过分析信号与各模态分量间的相似程度来去除不相关的模态从而实现去噪。在VMD中采用局部重构,即将与原信号相似的模态就认为是信号,与原信号相差大的模态认为噪声。而在光谱信号处理中,本底扣除和去噪的目的是完全不同的。去噪的目的旨在去除与原始信号无关的、高频的噪声信号,而本底扣除的目的是去除光谱中通常呈现低频的本底成分,并且不能影响信号的细节谱峰信息。
本发明通过引入故障诊断领域中常用的变分模态分解(VMD)提出了一种新的本底扣除方法,通过迭代的方式让VMD分解估计出光谱中的本底成分,最后予以剔除即可获得真实的谱图,可以获得媲美迭代小波变换的效果。同时,由于VMD是一种自适应、完全非递归的信号分解方法,因此本方法可以直接适用于各种光谱信号,效果问题。并且方法的使用十分简单,只需要设置可容忍的最大误差即可。
为了获得一种使用简单、效果稳定且良好的本底扣除方法,本发明以变分模态分解VMD为基础,提出了一种新的本底扣除方法。本发明通过迭代的方式让VMD分解估计出光谱中的本底成分,最后予以剔除即可获得真实的谱图,可以获得媲美迭代小波变换的效果,同时使用简单,并且效果稳定。
具体的,申请人经过大量实验证明固定VMD分解模态数为2,选择第一层分量处理可以获得很好的结果。
本发明的有益效果是,具有效果不弱于当前所有已有的本底扣除方法,同时具有使用简单、自适应于所有谱图、效果稳定、无需根据谱图选择不同参数等优点。
附图说明
图1为实施例的流程图;
图2为实施例中的原始光谱图;
图3为实施例中对原始光谱图的VMD三层分解图;
图4为实施例中通过VMD算法去除本底的效果图,(左)原始谱图与最后一次估计得到的本底,(右)扣除本底后的结果图;
图5为实施例中的通过选择db4小波基下迭代小波变换去除本底的效果图;
图6为实施例中的通过选择coif4小波基下迭代小波变换去除本底的效果图。
具体实施方式
实施例提供了一种基于变分模态分解的X射线荧光光谱本底扣除方法,工作流程如图1所示,具体步骤如下:
步骤1:如图2所示,实施例采用便携式XRF光谱仪采集合金样品得到了带有明显本底的谱图;使用fm[i]表示经过m-1次迭代VMD处理后的光谱,其中,m表示迭代次数,m≥1,i表示光谱通道,f1[i]表示原始光谱数据;初始化m为1,初始化比较次数times为0,设置用于停止迭代的最小误差ε;
步骤2;针对光谱数据fm[i],设置VMD的参数为分解模态数k=2,可容忍最大误差为5,惩罚因子alpha=2000,直流分量DC=0,噪声容忍度tau=10-7,然后使用VMD算法对fm[i]数据进行分解得到k层分量uk[i];
步骤3:选择第1层分量u1[i]作为am[i],即am[i]=u1[i],am[i]表示第m次估计的本底;
步骤4:如果m等于1,跳过步骤4,否则,计算|am[i]-am-1[i]|max=errm,|am[i]-am-1[i]|max为取两组信号am[i]、am-1[i]在2048个通道中差值绝对值的最大值,errm表示第m次估计的误差,将errm和ε进行比较,比较次数由times进行索引。若errm<ε,说明相邻两次所估计的本底足够一致,令times=times+1,否则,重置times=0;
步骤5:如果times<N,比较fm[i]和am[i]的所有通道值,将两光谱中各通道的最小值为fm[i]赋值,即:
然后令m加1,跳至步骤2迭代执行;
如果times≥N,N为满足收敛条件的预设次数,说明连续N+1次经过VMD分解所得的估计本底足够一致,此时认为估计本底已经收敛,取最终一次VMD分解所得的估计本底am[i]作为最终估计的本底;
步骤6:从原光谱f1[i]中减去am[i]即可实现本底扣除。实施例设置N=3。为了增加精度,将去除本底后的光谱中小于0的计数值修改为0。
按照步骤1到步骤6的方法处理合金样品谱图,最后在迭代46次后达到停止条件,基于VMD的本底扣除方法效果如图4所示。
可以看到,在经过46次迭代之后本方法基本完美的估计了光谱的本底,利用原始光谱减去估计的本底后得到了最终需要的谱图,实例证明通过本发明可以稳定有效的扣除光谱中的本底数据。
本发明方法的另一个好处在于,将VMD的分解层数直接设置为2层并选择第一层分量作为估计的本底继续处理,因此只需要设置极少的参数即可获得很好的效果,效果稳定,使用非常简单。
为了更好的说明该方法的可行性,对步骤1中原始光谱进行3层VMD分解,得到分解图如图3所示。可以看到,由于VMD分解的第一层分量主要包含了谱图的本底信息和部分峰信息,而第二层分量单纯是谱图的峰值信息,第三层分量是谱线上的微弱噪声。因此本方法在本底扣除中直接选择第一层分量进行估计本底处理,经过不断迭代最终获得接近于真实的本底。将分解层数固定为两层是为了进一步提高本底扣除方法的精度,让VMD的分解更加细致,虽然牺牲了一些性能的代价,但最终可以获得更加稳定且良好的效果。
为了进一步验证本发明的有效性,本实例利用当前本底扣除方法中公认效果最好的迭代小波变换来对比。通过调试后,选择小波分解层数为7层,迭代次数为30次,并分别选择最常见的db4小波基和coif4小波基作为小波基函数,两种小波基下本底扣除效果分别如图5和图6所示,其中虚线的长方形框标注了其效果不好的地方。从图5和图6可以明显看到两者的效果差别是不同的,说明迭代小波变换算法中小波基的选择是影响非常大的。在两种小波基中采用db4小波基的效果是相对较好的,因为采用coif小波基的本底扣除效果在光谱通道为300-500范围段出现了很大的问题,导致最终结果没有干净的扣除掉本底。而选择db4小波基的本底扣除效果在100-300、550-700的范围也出现了一些问题,整体来看本发明提出的本底扣除算法确实在效果上和迭代小波方法是不相上下的,甚至可以略好与迭代小波方法,也验证了本发明的本底扣除效果。
Claims (5)
1.一种基于变分模态分解的X射线荧光光谱本底扣除方法,其特征在于,包括以下步骤:
利用变分模态分解VMD算法对X射线荧光光谱XRF的原始光谱数据进行分解,分解后选择第一层分量再进行迭代分解直到达到VMD算法的停止条件,并将最后分解得到的第一层分量作为最终估计的本底;
在原始光谱数据上减去本底分量得到扣除本底后的光谱数据。
2.如权利要求1所述方法,其特征在于,对原始光谱数据进行分解是采用的分解模态数为2。
3.如权利要求2所述方法,其特征在于,对原始光谱数据进行分解得到最终估计的本底的具体步骤如下:
步骤1:得到带有本底的原始光谱数据f1[i];使用fm[i]表示经过m-1次迭代变分模态分解VMD处理后的光谱数据,其中,m表示迭代次数,m≥1,i表示光谱通道;初始化m为1,初始化比较次数times为0,设置VMD的分解模态数k=2、满足收敛条件的预设迭代次数N以及最小误差ε;
步骤2;使用VMD算法对光谱数据fm[i]进行分解得到2层分量u1[i]、u2[i];
步骤3:选择第1层分量u1[i]赋值第m次估计的本底am[i];
步骤4:判断m是否等于1,如是,则进入步骤5,否则先计算第m次估计的误差errm,errm=|am[i]-am-1[i]|max,|·|max为取绝对值的最大值,将errm和ε进行比较,若errm<ε,更新times=times+1后进入步骤5,否则,重置times=0后进入步骤5;
步骤5:判断是否times<N,如是,比较fm[i]和am[i]的所有通道值,将两光谱中各通道的最小值为fm[i]赋值,再更新m=m+1后返回步骤2继续迭代,否则取当前am[i]作为最终估计的本底。
4.如权利要求3所述方法,其特征在于,设置满足收敛条件的预设迭代次数N=3。
5.如权利要求1所述方法,其特征在于,得到扣除本底后的光谱数据之后,再将扣除本底后的光谱数据中小于0的计数值修改为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305018.7A CN114624271B (zh) | 2022-03-25 | 2022-03-25 | 一种基于变分模态分解的x射线荧光光谱本底扣除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210305018.7A CN114624271B (zh) | 2022-03-25 | 2022-03-25 | 一种基于变分模态分解的x射线荧光光谱本底扣除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114624271A true CN114624271A (zh) | 2022-06-14 |
CN114624271B CN114624271B (zh) | 2023-08-25 |
Family
ID=81904233
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210305018.7A Active CN114624271B (zh) | 2022-03-25 | 2022-03-25 | 一种基于变分模态分解的x射线荧光光谱本底扣除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114624271B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931518A (zh) * | 2015-06-09 | 2015-09-23 | 东南大学 | 一种用于x射线荧光光谱本底扣除的方法 |
CN106501293A (zh) * | 2016-09-30 | 2017-03-15 | 深圳市赛宝伦科技有限公司 | 一种基于小波变换法扣除x射线荧光能谱背景的方法 |
CN107361762A (zh) * | 2017-08-04 | 2017-11-21 | 山东理工大学 | 基于变分模态分解的心电信号基线漂移校正方法 |
CN107782706A (zh) * | 2017-09-05 | 2018-03-09 | 燕山大学 | 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法 |
CN108241845A (zh) * | 2016-12-26 | 2018-07-03 | 同方威视技术股份有限公司 | 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法 |
CN108614259A (zh) * | 2018-05-02 | 2018-10-02 | 电子科技大学 | 一种基于超宽带雷达传感器的心跳呼吸特征监测方法 |
US20190072504A1 (en) * | 2016-09-30 | 2019-03-07 | Rigaku Corporation | Wavelength dispersive x-ray fluorescence spectrometer and x-ray fluorescence analyzing method using the same |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
CN110188647A (zh) * | 2019-05-23 | 2019-08-30 | 西安电子科技大学 | 一种基于变分模态分解雷达辐射源特征提取及其分类方法 |
JP2020003331A (ja) * | 2018-06-28 | 2020-01-09 | 株式会社リガク | バックグラウンド除去方法及び蛍光x線分析装置 |
CN111045072A (zh) * | 2019-12-27 | 2020-04-21 | 核工业北京地质研究院 | 一种适用于CeBr3探测器的γ能谱迭代解谱算法 |
CN111985426A (zh) * | 2020-08-27 | 2020-11-24 | 南京信息工程大学 | 一种基于变分模态分解的海杂波混合去噪算法 |
WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN112748140A (zh) * | 2020-12-23 | 2021-05-04 | 电子科技大学 | 一种基于迭代离散小波背景扣除的痕量元素xrf测定方法 |
CN112801936A (zh) * | 2020-12-25 | 2021-05-14 | 电子科技大学 | 一种x射线荧光光谱自适应本底扣除方法 |
CN112990139A (zh) * | 2021-04-29 | 2021-06-18 | 青岛科技大学 | 基于变模态分解加权重构信号结合小波阈值去噪方法 |
CN113887398A (zh) * | 2021-09-29 | 2022-01-04 | 中南大学 | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 |
CN114077852A (zh) * | 2021-11-19 | 2022-02-22 | 四川斯菲提克科学仪器有限公司 | 一种强噪声光谱信号的智能去噪方法 |
-
2022
- 2022-03-25 CN CN202210305018.7A patent/CN114624271B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104931518A (zh) * | 2015-06-09 | 2015-09-23 | 东南大学 | 一种用于x射线荧光光谱本底扣除的方法 |
CN106501293A (zh) * | 2016-09-30 | 2017-03-15 | 深圳市赛宝伦科技有限公司 | 一种基于小波变换法扣除x射线荧光能谱背景的方法 |
US20190072504A1 (en) * | 2016-09-30 | 2019-03-07 | Rigaku Corporation | Wavelength dispersive x-ray fluorescence spectrometer and x-ray fluorescence analyzing method using the same |
CN108241845A (zh) * | 2016-12-26 | 2018-07-03 | 同方威视技术股份有限公司 | 用于扣除谱图本底的方法和通过拉曼谱图识别物质的方法 |
US20190339205A1 (en) * | 2016-12-26 | 2019-11-07 | Nuctech Company Limited | Method for removing background from spectrogram, method of identifying substances through raman spectrogram, and electronic apparatus |
CN107361762A (zh) * | 2017-08-04 | 2017-11-21 | 山东理工大学 | 基于变分模态分解的心电信号基线漂移校正方法 |
CN107782706A (zh) * | 2017-09-05 | 2018-03-09 | 燕山大学 | 一种基于集合经验模态分解的多环芳烃荧光光谱去噪方法 |
CN108614259A (zh) * | 2018-05-02 | 2018-10-02 | 电子科技大学 | 一种基于超宽带雷达传感器的心跳呼吸特征监测方法 |
JP2020003331A (ja) * | 2018-06-28 | 2020-01-09 | 株式会社リガク | バックグラウンド除去方法及び蛍光x線分析装置 |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
CN110188647A (zh) * | 2019-05-23 | 2019-08-30 | 西安电子科技大学 | 一种基于变分模态分解雷达辐射源特征提取及其分类方法 |
WO2021056727A1 (zh) * | 2019-09-27 | 2021-04-01 | 山东科技大学 | 一种基于变分模态分解和排列熵的联合降噪方法 |
CN111045072A (zh) * | 2019-12-27 | 2020-04-21 | 核工业北京地质研究院 | 一种适用于CeBr3探测器的γ能谱迭代解谱算法 |
CN111985426A (zh) * | 2020-08-27 | 2020-11-24 | 南京信息工程大学 | 一种基于变分模态分解的海杂波混合去噪算法 |
CN112748140A (zh) * | 2020-12-23 | 2021-05-04 | 电子科技大学 | 一种基于迭代离散小波背景扣除的痕量元素xrf测定方法 |
CN112801936A (zh) * | 2020-12-25 | 2021-05-14 | 电子科技大学 | 一种x射线荧光光谱自适应本底扣除方法 |
CN112990139A (zh) * | 2021-04-29 | 2021-06-18 | 青岛科技大学 | 基于变模态分解加权重构信号结合小波阈值去噪方法 |
CN113887398A (zh) * | 2021-09-29 | 2022-01-04 | 中南大学 | 一种基于变分模态分解和奇异谱分析的gpr信号去噪方法 |
CN114077852A (zh) * | 2021-11-19 | 2022-02-22 | 四川斯菲提克科学仪器有限公司 | 一种强噪声光谱信号的智能去噪方法 |
Non-Patent Citations (6)
Title |
---|
QINGYA WANG 等: "On-stream mineral identification of tailing slurries of tungsten via NIR and XRF data fusion measurement techniques", 《ANALYTICAL METHODS》, vol. 12, no. 25, pages 3296 - 3307 * |
ZHIJIAN WANG 等: "Application of Parameter Optimized Variational Mode Decomposition Method in Fault Diagnosis of Gearbox", 《IEEE ACCESS》, vol. 7, pages 44871 - 44882, XP011718902, DOI: 10.1109/ACCESS.2019.2909300 * |
崔善政 等: "变分模态分解在去除心电图信号基线漂移中的应用", 《电子测量与仪器学报》, vol. 32, no. 2, pages 169 - 170 * |
江晓宇 等: "便携式XRF分析仪检测土壤重金属应用研究", 《核电子学与探测技术》, vol. 41, no. 6, pages 1005 - 1012 * |
潘凌云 等: "一种基于VMD和小波去噪的管道泄漏检测算法", 《自动化技术与应用》, vol. 36, no. 9, pages 1 - 5 * |
韦海成 等: "改进VMD算法消除脉搏波基线漂移研究", 《电子测量与仪器学报》, vol. 34, no. 8, pages 144 - 150 * |
Also Published As
Publication number | Publication date |
---|---|
CN114624271B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145727B (zh) | 一种基于vmd参数优化的轴承故障特征提取方法 | |
Smital et al. | Adaptive wavelet wiener filtering of ECG signals | |
US9812150B2 (en) | Methods and systems for improved signal decomposition | |
JP6077568B2 (ja) | クロマトグラフィーシステムでのデータを処理するためのシステム及び方法 | |
CN107515424A (zh) | 一种基于vmd与小波包的微震信号降噪滤波方法 | |
CN110865357A (zh) | 一种基于参数优化vmd的激光雷达回波信号降噪方法 | |
Sharma et al. | Improved eigenvalue decomposition-based approach for reducing cross-terms in Wigner–Ville distribution | |
CN114781430A (zh) | 一种局部放电信号去噪方法 | |
CN113325277A (zh) | 一种局部放电处理方法 | |
CN115700544A (zh) | 一种联合经验模态分解及小波软阈值的色谱信号去噪方法 | |
Ganapathy | Multivariate autoregressive spectrogram modeling for noisy speech recognition | |
Li et al. | Signal denoising based on the Schrödinger operator's eigenspectrum and a curvature constraint | |
Lozano et al. | Estimation of instantaneous frequency from empirical mode decomposition on respiratory sounds analysis | |
Garg et al. | Cuckoo search based optimal mask generation for noise suppression and enhancement of speech signal | |
CN114077852A (zh) | 一种强噪声光谱信号的智能去噪方法 | |
Do et al. | Speech Separation in the Frequency Domain with Autoencoder. | |
CN109901224B (zh) | 一种地震资料低频信号保护压制噪声方法 | |
CN114624271B (zh) | 一种基于变分模态分解的x射线荧光光谱本底扣除方法 | |
Adochiei et al. | Comparative filtering methods for noisy ECG signals | |
Zhang et al. | Application of translation wavelet transform with new threshold function in pulse wave signal denoising | |
El Bouny et al. | Performance analysis of ECG signal denoising methods in transform domain | |
Actlin Jeeva et al. | Discrete cosine transform‐derived spectrum‐based speech enhancement algorithm using temporal‐domain multiband filtering | |
CN111007369B (zh) | 一种超高频电磁波信号到达时间差计算方法和装置 | |
Jiang et al. | Multilayer Decomposition Denoising Empowered CNN for Radar Signal Modulation Recognition | |
CN114545350A (zh) | 一种基于同步压缩算子的空间信号参数估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |