CN115015312B - 一种esr特征信号提取方法及系统 - Google Patents
一种esr特征信号提取方法及系统 Download PDFInfo
- Publication number
- CN115015312B CN115015312B CN202210493305.5A CN202210493305A CN115015312B CN 115015312 B CN115015312 B CN 115015312B CN 202210493305 A CN202210493305 A CN 202210493305A CN 115015312 B CN115015312 B CN 115015312B
- Authority
- CN
- China
- Prior art keywords
- signal
- esr
- atom
- reference signal
- dictionary
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N24/00—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects
- G01N24/10—Investigating or analyzing materials by the use of nuclear magnetic resonance, electron paramagnetic resonance or other spin effects by using electron paramagnetic resonance
Landscapes
- Physics & Mathematics (AREA)
- High Energy & Nuclear Physics (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)
- Magnetic Resonance Imaging Apparatus (AREA)
Abstract
本发明提供了一种ESR特征信号提取方法及系统，属于信号处理技术领域，方法包括：按照高斯型和洛伦兹型ESR信号特征，通过K‑SVD算法，生成过完备原子字典；利用正交匹配追踪法，从过完备原子字典中选择与采集的参考信号和被测信号最匹配的原子；将最终匹配的原子线性组合重构ESR信号和参考信号；将重构的ESR信号和参考信号进行比对，提取被测信号中ESR信号的有效特征。本发明可以准确高效地提取ESR信号的特征。
Description
技术领域
本发明属于信号处理技术领域，更具体地，涉及一种ESR特征信号提取方法及系统。
背景技术
电子自旋共振(Electron Spin Resoance，ESR)也称为电子顺磁共振是研究化合物或矿物中不成对电子状态的重要手段，用于定性或定量检测物质原子或分子中所含的不配对电子，并探索其周围环境的结构特性(例如：磁交换相互作用、磁各向异性、磁结构等)。电子自旋共振技术是观察自由基等顺磁性物质最直接和灵敏的方法，而且能够精准且无破坏的获取物质在电子或原子核尺度组成和结构上的信息，已经在物理学、半导体物理学、有机化学、辐射化学、化工产业、催化剂化学、生物化学、生物医学等许多领域内得到非常广泛的应用。
目前ESR技术中所运用的高频电磁波源多是功率较低的半导体器件，在实际应用中随着波源频率的提高，其功率也呈现下降趋势，导致获得的ESR信号微弱且易被噪声信号干扰，难以对物质结构进行精确识别。而大功率的高频电磁波源如回旋管，虽然可以有效增强ESR信号强度，更准确反映物质的组成和结构信息，往往其频率的提高也意味着更高的共振磁场强度。为此，常采用脉冲磁体来提供高强度磁场，但高速时变磁场会导致输出功率不稳定，引入更多的噪声信号，使测量信号信噪比低。另外，如果进行ESR技术的逆向应用，通过ESR信号共振磁场和电磁波频率的一一对应关系来测量频率，低信噪比下也会导致无法准确获得共振磁场，从而无法准确测量频率。因此，亟需发展低信噪比下ESR特征信号的提取技术。
发明内容
针对现有技术的缺陷，本发明的目的在于提供一种ESR特征信号提取方法及系统，旨在解决现有的ESR提取技术在低信噪比条件下无法有效识别ESR信号的问题。
为实现上述目的，一方面，本发明提供了一种ESR特征信号提取方法，包括以下步骤：
(1)按照高斯型和洛伦兹型ESR信号特征，通过K-SVD算法生成过完备原子字典；
(2)利用正交匹配追踪法，从过完备原子字典中分别选择与采集的参考信号和被测信号最匹配的原子；
(3)将最终匹配的原子线性组合重构ESR信号和参考信号；
(4)将重构的ESR信号和重构的参考信号进行比对，提取被测信号中ESR的有效特征。
进一步优选地，所述被测信号为降噪后的被测信号；
对被测信号采用最小熵卷积(Minimum Entropy Deconvolution，MED)降噪方法，具体为：
将采集器获取的原始被测信号复制n份，每一份加入幅值不同的随机噪声信号进行合成；
将合成后的信号进行最小熵解卷积运算，获取降噪后的被测信号；其中，随机噪声信号的幅值小于被测信号的幅值；n为大于等于3的整数。
进一步优选地，原子的表达式为：
其中，x为时间；f(x)为ESR信号幅值；E、F是与样品自旋时间相关的参数。进一步优选地，选择最匹配原子的计算表达式为：
|<y’,x0’>|＝sup|<y’,xj’>|
其中，y’为被测信号或参考信号；x0’表示被测信号或参考信号最匹配的原子；xj’为过完备原子字典中第j个原子；sup为几何上确界。
进一步优选地，将被测信号分解为最匹配原子上的分量和残差部分，表达式为：
y’＝<y’,x0’>x0’+R1
其中，R1为残差部分。
进一步优选地，所述正交匹配追踪法，包括以下步骤：
(S1)在过完备原子字典中选择与信号残差内积绝对值最大的原子；其中，令信号残差初始值为被测信号或参考信号；
(S2)将步骤(S1)选择出的原子作为列构建最佳匹配原子矩阵；
(S3)基于最佳匹配原子矩阵，获取其列空间的正交投影算子；
(S4)利用当前信号残差与正交投影算子，构建稀疏逼近方法更新信号残差；
(S5)从过完备原子字典中选择与更新后的信号残差内积绝对值最大的原子作为与被测信号或参考信号最匹配的原子；
(S6)返回(S4)，直至迭代次数达到预设最大迭代次数，执行步骤(S7)；
(S7)采用每次迭代获取的最匹配原子的线性组合加上最后一次迭代的信号残差表示ESR信号或参考信号。
另一方面，本发明提供了一种ESR特征信号提取系统，包括：
第一探测器，用于采集参考信号；
第二探测器，用于采集被测信号；
稀疏分解模块，包括字典构建单元、正交投影单元、信息重构单元和特征提取单元；
所述字典构建单元用于按照高斯型或洛伦兹型ESR信号特征，通过K-SVD算法生成过完备原子字典；
所述正交投影单元用于利用正交匹配追踪法，从过完备原子字典中分别选择与采集的参考信号和被测信号最匹配的原子；
所述信息重构单元用于将最匹配的原子线性组合重构ESR信号和参考信号；
所述特征提取单元用于将重构的ESR信号和重构的参考信号分别进行比对，提取被测信号中ESR信号的有效特征。
进一步优选地，ESR特征信号提取系统，还包括信号处理模块，用于采用MED方法对被测信号进行降噪；
所述信号处理模块包括：信号合成单元和最小熵解卷积运算器；
所述信号合成单元用于将采集器获取的原始被测信号复制n份，每一份加入幅值不同的随机噪声信号进行合成；
所述最小熵解卷积运算器用于将合成后的信号进行最小熵解卷积运算，获取降噪后的被测信号；其中，随机噪声信号的幅值小于被测信号的幅值；n为大于等于3的整数。
进一步优选地，选择最匹配原子的计算表达式为：
|<y’,x0’＞|＝sup|＜y’,xj’>|
其中，y’为被测信号或参考信号；x0’表示被测信号或参考信号最匹配的原子；xj’为第j个原子；sup为几何上确界。
进一步优选地，所述正交投影单元包括内积最大原子筛选器、最佳匹配原子矩阵构建器、正交投影算子计算器、残差更新器和信号重构器；
内积最大原子筛选器用于从过完备原子字典中选择与信号残差内积绝对值最大的原子；其中，令信号残差初始值为被测信号或参考信号；
最佳匹配原子矩阵构建器用于将内积最大原子筛选器选择出的原子作为列构建最佳匹配原子矩阵；
正交投影算子计算器用于基于最佳匹配原子矩阵，获取其列空间的正交投影算子；
残差更新器用于利用当前信号残差与正交投影算子，构建稀疏逼近方法更新信号残差；
信号重构器用于采用每次迭代获取的最匹配原子的线性组合加上最后一次迭代的信号残差表示ESR信号或参考信号。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下
有益效果：
本发明采用采集的参考信号和被测信号，即可自动生成过完备原子字典，通过正交匹配追踪(orthogonal matching pursuit，OMP)方法获取参考信号和被测信号最匹配的原子，得到稀疏分解后最终匹配的原子线性组合，通过原子线性组合获取ESR信号；与现有小波分解技术相比，本发明无需主观判断分解层数和小波类型，具有良好的自适应性，因此本发明可以提高ESR信号的信噪比，能够准确高效地获取ESR的特征。
本发明在对ESR信号特征提取时，由于ESR信号会被噪声影响，因此，本发明采用最小熵解卷积的方法对被测信号进行降噪处理，然后再进行稀疏分解(匹配追踪和斯密特正交化方法)提取ESR特征信号处理，可以提高ESR信号的信噪比，便于提高获取ESR特征信号提取的准确性。
本发明中由于电子顺磁共振谱线为介于洛伦兹线型和高斯线型之间，因此构建了原子的线性函数
K-SVD算法会根据E和F进行更新，获取原子字典，原子字典为ESR特征信号的提取提供了参考，能够更好的重构和还原信号。
附图说明
图1是本发明实施例提供的ESR特征信号提取方法流程图；
图2是本发明实施例提供的被测信号示意图；
图3是本发明实施例提供的处理后的ESR特征信号示意图。
图4是本发明实施例提供的ESR特征信号提取系统的示意框图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
实施例
一方面，如图1所示，本实施例提供了一种基于MED与稀疏分解相结合的ESR特征信号提取方法，包括以下步骤：
(1)将两个相同探测器分别置于样品前后，功率信号通过波导管导入至脉冲磁体中心的样品处，同时使样品处于连续变化的脉冲磁场H的环境下；
在进行实验之前，保证两个探测器处于同一水平线上；第一探测器位于样品前端；第二探测器位于样品后端；
(2)分别采集下样品之前功率信号(以下简称参考信号)的波形和经过样品之后发生ESR效应的如图2所示的被测信号波形；
(3)利用MED与稀疏分解相结合的方法对采集的信号进行处理并进行对比，获得低信噪比条件下有效的ESR吸收信号，如图3所示；具体包括以下步骤：
(3.1)将参考信号和ESR信号进行MED处理，以最大峭度值作为计算终止条件；
假设第二探测器获取的被测信号表达式为：y(n)＝h(n)*x(n)+e(n)
其中，e(n)为噪声信号；x(n)为第一探测器探测到的信号，即为参考信号；h(n)为线性系统；n为信号的第n个离散值；
x(n)＝w(n)*y(n)
其中，w(n)为一个估值；解卷积问题是寻找一个逆滤波器w(n)，由第二探测器获取的被测信号y(n)恢复参考信号x(n)，采用序列的范数衡量序列熵的大小，并将其作为目标函数以求解最优结果：
其中，O2 4(w(n))为序列的范数；N为离散信号的总点数，x(i)为第i个参考信号采样值；
最小熵解卷积的目的就是寻找最优的逆滤波器，使范数O2 4(w(n))最大，即：
即：
其中，l为逆滤波器L的第l个点；L为逆滤波器w(n)的长度，对上式两边求导：
则有：
其中，p为逆滤波器固定时的第p个点；
上式可以改成矩阵形式：
b＝Aw
其中，A为序列y(n)的L×L自相关矩阵，b为b(l)的转置矩阵；
通过迭代计算出逆滤波器矩阵：
w＝A-1b
由以上分析可以归纳出最小熵递归迭代算法步骤如下：
(3.1.1)初始化w0中元素全为1；
(3.1.2)迭代计算x(n)＝w(n)(k-1)*y(n)解卷积的过程；
(3.1.3)计算
(3.1.4)计算w(k)＝A-1b(k)；
(3.1.5)如果
小于给定阈值，则停止递归，否则，令k增1，回到步骤(3.1.2)；
其中，w0为1×L的矩阵；
(3.2)根据参考信号及降噪后的被测信号，建立过完备原子字典构造方法，生成相应大小的过完备原子字典D；
由于MED对周期信号更好的降噪能力，因此将第二探测器获取的被测信号复制n份(n≥3)，每一份加入不同频率的白噪声信号，合成后的信号进行MED降噪处理；
将降噪后的被测信号进行稀疏分解，分解过程中采用的过完备原子字典大小取决于降噪后的被测信号的长度；
对参考信号和降噪后的被测信号单独进行OMP分解，设定OMP算法迭代停止条件，若不满足停止条件则继续分解，若满足则分解结束，用每次挑选出来的最佳原子的线性组合表示信号；
根据电子顺磁共振谱线是许多洛伦兹线型谱线叠加的结果，谱线线型都介于洛伦兹线型和高斯线型之间，因此可以有限揭示信号的特征；本发明利用这种特性构造一个ESR信号谱线过完备原子字典以供信号分解处理时使用；
ESR信号谱线的表达式为：
通过设置不同的E和F获取不同的ESR信号谱线；
该过完备字典采用K-SVD算法进行学习；学习原子字典需求解下式：
其中，Qj为待求解的稀疏信号；Pj为系数矩阵；Dlearn为字典；T为足够小的常数；K-SVD算法解决的是上式的字典求解问题；字典Dlearn一般为训练样本集，系数矩阵Pj未知；M为原子个数；其中，K-SVD是一种关于稀疏表示的字典学习算法，之所以成为K-SVD是因为该算法K次迭代使用SVD(singular value decomposition)；
(3.3)设置OMP算法的迭代终止条件；
(3.4)从过完备原子字典D中选择与参考信号和降噪后的被测信号最匹配的原子；
根据过完备原子字典D，利用正交投影法选择与降噪后的被测信号y’最匹配的原子x0’，满足下式：
|<y’,x0’>|＝sup|<y’,xj’>|
其中，xj’为第j个原子；sup为几何上确界；
(3.5)将所选原子进行施密特正交化，将待分解信号减去正交化后原子上的分量，得到残差信号，并重复上述步骤，直至满足终止条件；并用选择出的原子的线性组合表示信号；
将降噪后的被测信号y’分解为两部分，一部分为最佳原子上的分量，另一部分为残差部分，表达式如下所示：
y’＝<y’,x0’>x0’+R1
利用斯密特正交化方法在分解的每一步对已经匹配到的原子进行正交化处理，既可以加快收敛速度，又可以避免残差在原子上投影时引入不必要的成分；
为了克服原子字典过大时存在的存储和计算量过大，可以选取共振磁场附近的数据进行处理，导入参考信号，选取共振磁场附近的信号进行处理，依据谱线线型导入构造得到的过完备原子字典D；令残差初始值R0＝y’，迭代次数为U；
使用每次分解挑选出的最佳原子的线性组合对信号进行重构，最后对参考信号和ESR信号进行比对提取有效特征。
另一方面，如图4所示，本发明提供了一种ESR特征信号提取系统，包括：
第一探测器，用于采集参考信号；
第二探测器，用于采集被测信号；
稀疏分解模块，包括字典构建单元、正交投影单元、信息重构单元和特征提取单元；
所述字典构建单元用于按照高斯型或洛伦兹型ESR信号特征，通过K-SVD算法生成过完备原子字典；
所述正交投影单元用于利用正交匹配追踪法，从过完备原子字典中分别选择与采集的参考信号和被测信号最匹配的原子；
所述信息重构单元用于将最匹配的原子线性组合重构ESR信号和参考信号；
所述特征提取单元用于将重构的ESR信号和重构的参考信号分别进行比对，提取被测信号中ESR的有效特征。
进一步优选地，ESR特征信号提取系统，还包括信号处理模块，用于采用MED方法对被测信号进行降噪；
所述信号处理模块包括：信号合成单元和最小熵解卷积运算器；
所述信号合成单元用于将采集器获取的原始被测信号复制n份，每一份加入幅值不同的随机噪声信号进行合成；
所述最小熵解卷积运算器用于将合成后的信号进行最小熵解卷积运算，获取降噪后的被测信号；其中，随机噪声信号的幅值小于被测信号的幅值；n为大于等于3的整数。
进一步优选地，选择最匹配原子的计算表达式为：
|<y’,x0’>|＝sup|<y’,xj’>|
其中，y’为被测信号或参考信号；x0’表示被测信号或参考信号最匹配的原子；xj’为第j个原子；sup为几何上确界。
进一步优选地，所述正交投影单元包括内积最大原子筛选器、最佳匹配原子矩阵构建器、正交投影算子计算器、残差更新器和信号重构器；
内积最大原子筛选器用于从过完备原子字典中选择与信号残差内积绝对值最大的原子；其中，令信号残差初始值为被测信号或参考信号；
最佳匹配原子矩阵构建器用于将内积最大原子筛选器选择出的原子作为列构建最佳匹配原子矩阵；
正交投影算子计算器用于基于最佳匹配原子矩阵，获取其列空间的正交投影算子；
残差更新器用于利用当前信号残差与正交投影算子，构建稀疏逼近方法更新信号残差；
信号重构器用于采用每次迭代获取的最匹配原子的线性组合加上最后一次迭代的信号残差表示ESR信号或参考信号。
本发明与现有技术相比，存在以下优势：
本发明采用采集的参考信号和被测信号，即可自动生成过完备原子字典，通过正交匹配追踪(orthogonal matching pursuit，OMP)方法获取参考信号和被测信号最匹配的原子，得到稀疏分解后最终匹配的原子线性组合，通过原子线性组合获取ESR；因此本发明可以提高ESR信号的信噪比，能够准确高效地获取ESR的特征。
本发明在对ESR特征提取时，由于ESR通过会被噪声影响，因此，本发明采用最小熵解卷积的方法对被测信号进行降噪处理，然后再进行稀疏分解(匹配追踪和斯密特正交化方法)提取ESR特征信号处理，可以提高ESR信号的信噪比，便于提高获取ESR特征信号提取的准确性。
本发明中由于电子顺磁共振谱线为介于洛伦兹线型和高斯线型之间，因此构建了原子的线性函数
对E和F采用K-SVD算法进行设置，获取原子字典，原子字典为ESR特征信号的提取提供了参考。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种ESR特征信号提取方法，其特征在于，包括以下步骤：
(1)按照高斯型和洛伦兹型ESR信号特征，通过K-SVD算法生成过完备原子字典；
(2)利用正交匹配追踪法，从过完备原子字典中分别选择与采集的参考信号和被测信号最匹配的原子；
(3)将最终匹配的原子线性组合重构ESR信号和参考信号；
(4)将重构的ESR信号和重构的参考信号进行比对，提取被测信号中ESR信号的有效特征；
其中，原子的表达式为：
其中，x为时间；f(x)为ESR信号幅值；E、F是与样品自旋时间相关的参数；通过设置不同的E和F获取不同的ESR信号谱线。
2.根据权利要求1所述的ESR特征信号提取方法，其特征在于，所述被测信号为降噪后的被测信号；
对被测信号采用MED降噪方法，具体为：
将采集器获取的原始被测信号复制n份，每一份加入幅值不同的随机噪声信号进行合成；
将合成后的信号进行最小熵解卷积运算，获取降噪后的被测信号；其中，随机噪声信号的幅值小于被测信号的幅值；n为大于等于3的整数。
3.根据权利要求1或2所述的ESR特征信号提取方法，其特征在于，选择最匹配原子的计算表达式为：
|＜y’,x0’＞|＝sup|＜y’,xj’＞|
其中，y’为被测信号或参考信号；x0’表示被测信号或参考信号最匹配的原子；xj’为过完备原子字典中第j个原子；sup为几何上确界。
4.根据权利要求3所述的ESR特征信号提取方法，其特征在于，将被测信号分解为最匹配原子上的分量和残差部分，表达式为：
y’＝＜y’,x0’>x0’+R1
其中，R1为残差部分。
5.根据权利要求1或4所述的ESR特征信号提取方法，其特征在于，所述正交匹配追踪法，包括以下步骤：
(S1)在过完备原子字典中选择与信号残差内积绝对值最大的原子；其中，令信号残差初始值为被测信号或参考信号；
(S2)将步骤(S1)选择出的原子作为列构建最佳匹配原子矩阵；
(S3)基于最佳匹配原子矩阵，获取其列空间的正交投影算子；
(S4)利用当前信号残差与正交投影算子，构建稀疏逼近方法更新信号残差；
(S5)从过完备原子字典中选择与更新后的信号残差内积绝对值最大的原子作为与被测信号或参考信号最匹配的原子；
(S6)返回(S4)，直至迭代次数达到预设最大迭代次数，执行步骤(S7)；
(S7)采用每次迭代获取的最匹配原子的线性组合加上最后一次迭代的信号残差表示ESR信号或参考信号。
6.一种ESR特征信号提取系统，其特征在于，包括：
第一探测器，用于采集参考信号；
第二探测器，用于采集被测信号；
稀疏分解模块，包括字典构建单元、正交投影单元、信息重构单元和特征提取单元；
所述字典构建单元用于按照高斯型或洛伦兹型ESR信号特征，通过K-SVD算法生成过完备原子字典；
所述正交投影单元用于利用正交匹配追踪法，从过完备原子字典中分别选择与采集的参考信号和被测信号最匹配的原子；
所述信息重构单元用于将最匹配的原子线性组合重构ESR信号和参考信号；
所述特征提取单元用于将重构的ESR信号和重构的参考信号分别进行比对，提取被测信号中ESR的有效特征；
其中，原子的表达式为：
其中，x为时间；f(x)为ESR信号幅值；E、F是与样品自旋时间相关的参数；通过设置不同的E和F获取不同的ESR信号谱线。
7.根据权利要求6所述的ESR特征信号提取系统，其特征在于，还包括信号处理模块，用于采用MED方法对被测信号进行降噪；
所述信号处理模块包括：信号合成单元和最小熵解卷积运算器；
所述信号合成单元用于将采集器获取的原始被测信号复制n份，每一份加入幅值不同的随机噪声信号进行合成；
所述最小熵解卷积运算器用于将合成后的信号进行最小熵解卷积运算，获取降噪后的被测信号；其中，随机噪声信号的幅值小于被测信号的幅值；n为大于等于3的整数。
8.根据权利要求6或7所述的ESR特征信号提取系统，其特征在于，选择最匹配原子的计算表达式为：
|<y’,x0’>|＝sup|＜y’,xj’>|
其中，y’为被测信号或参考信号；x0’表示被测信号或参考信号最匹配的原子；xj’为第j个原子；sup为几何上确界。
9.根据权利要求8所述的ESR特征信号提取系统，其特征在于，所述正交投影单元包括内积最大原子筛选器、最佳匹配原子矩阵构建器、正交投影算子计算器、残差更新器和信号重构器；
内积最大原子筛选器用于从过完备原子字典中选择与信号残差内积绝对值最大的原子；其中，令信号残差初始值为被测信号或参考信号；
最佳匹配原子矩阵构建器用于将内积最大原子筛选器选择出的原子作为列构建最佳匹配原子矩阵；
正交投影算子计算器用于基于最佳匹配原子矩阵，获取其列空间的正交投影算子；
残差更新器用于利用当前信号残差与正交投影算子，构建稀疏逼近方法更新信号残差；
信号重构器用于采用每次迭代获取的最匹配原子的线性组合加上最后一次迭代的信号残差表示ESR信号或参考信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210493305.5A CN115015312B (zh) | 2022-05-07 | 2022-05-07 | 一种esr特征信号提取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210493305.5A CN115015312B (zh) | 2022-05-07 | 2022-05-07 | 一种esr特征信号提取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115015312A CN115015312A (zh) | 2022-09-06 |
| CN115015312B true CN115015312B (zh) | 2023-03-21 |
Family
ID=83068845
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210493305.5A Active CN115015312B (zh) | 2022-05-07 | 2022-05-07 | 一种esr特征信号提取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115015312B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111121836A (zh) * | 2019-12-18 | 2020-05-08 | 华北电力大学（保定） | 基于改进二次多项式拟合的布里渊频移快速准确提取方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10627468B2 (en) * | 2011-03-18 | 2020-04-21 | Case Western Reserve University | Nuclear magnetic resonance (NMR) fingerprinting |
| CN110717354B (zh) * | 2018-07-11 | 2023-05-12 | 哈尔滨工业大学 | 基于半监督k-svd与多尺度稀疏表示的超像元分类方法 |
| CN109738077B (zh) * | 2019-02-26 | 2023-10-27 | 华中科技大学 | 一种太赫兹频率的测量装置及方法 |
| CN110569728A (zh) * | 2019-06-03 | 2019-12-13 | 南华大学 | 一种基于字典训练和正交匹配追踪的核信号提取方法 |
| EP4085267A4 (en) * | 2019-12-30 | 2024-01-10 | Case Western Reserve University | SYSTEM AND METHOD FOR SPATIAL SELECTION CODING BY B1 USING MAGNETIC RESONANCE |
-
2022
- 2022-05-07 CN CN202210493305.5A patent/CN115015312B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111121836A (zh) * | 2019-12-18 | 2020-05-08 | 华北电力大学（保定） | 基于改进二次多项式拟合的布里渊频移快速准确提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115015312A (zh) | 2022-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Srivastava et al. | A new wavelet denoising method for selecting decomposition levels and noise thresholds | |
| Leung et al. | A review on applications of wavelet transform techniques in chemical analysis: 1989–1997 | |
| Raczyński et al. | Compressive sensing of signals generated in plastic scintillators in a novel J-PET instrument | |
| Raychev | Fundamental limit for universal entanglement detection | |
| WO2015085889A1 (zh) | 磁共振快速参数成像方法和系统 | |
| Zhou et al. | The inversion of 2D NMR relaxometry data using L1 regularization | |
| Hu et al. | A fast and accurate reconstruction algorithm for compressed sensing of complex sinusoids | |
| Lu et al. | Low rank enhanced matrix recovery of hybrid time and frequency data in fast magnetic resonance spectroscopy | |
| CN110133554B (zh) | 一种基于分数阶模型的磁共振指纹成像方法、装置及介质 | |
| CN110879980A (zh) | 基于神经网络算法的核磁共振波谱去噪方法 | |
| Qiu et al. | An automatic denoising method for NMR spectroscopy based on low-rank Hankel model | |
| Luo et al. | A machine learning framework for low-field NMR data processing | |
| CN110569728A (zh) | 一种基于字典训练和正交匹配追踪的核信号提取方法 | |
| Yang et al. | Robust and efficient harmonics denoising in large dataset based on random SVD and soft thresholding | |
| Boulant et al. | Incoherent noise and quantum information processing | |
| Schoger et al. | Classical Casimir free energy for two Drude spheres of arbitrary radii: A plane-wave approach | |
| Cerfontaine et al. | Filter functions for quantum processes under correlated noise | |
| Guo et al. | Improved reconstruction of low intensity magnetic resonance spectroscopy with weighted low rank Hankel matrix completion | |
| CN115015312B (zh) | 一种esr特征信号提取方法及系统 | |
| CN110045184A (zh) | 一种基于压缩感知macsmp的超次谐波测量方法 | |
| Afef et al. | Fast dictionary-based approach for mass spectrometry data analysis | |
| Chow | Perturbation methods in stochastic wave propagation | |
| Wang et al. | Accelerated reconstruction of electrical impedance tomography images via patch based sparse representation | |
| Enßlin | Astrophysical data analysis with information field theory | |
| Liu et al. | Sparse and dense hybrid representation via subspace modeling for dynamic MRI |
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 |