CN116226607A - 谱线解谱方法、解谱装置、电子设备及存储介质 - Google Patents
谱线解谱方法、解谱装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116226607A CN116226607A CN202310513579.0A CN202310513579A CN116226607A CN 116226607 A CN116226607 A CN 116226607A CN 202310513579 A CN202310513579 A CN 202310513579A CN 116226607 A CN116226607 A CN 116226607A
- Authority
- CN
- China
- Prior art keywords
- data
- spectral line
- loss value
- fitted
- generation network
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Immunology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- High Energy & Nuclear Physics (AREA)
- Algebra (AREA)
- Biochemistry (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Pathology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种谱线解谱方法、解谱装置、电子设备及存储介质。方法包括:获取用于生成谱线的数据集,数据集包括多个组数据,每个组数据均包括第一数据和第二数据;将第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据;根据第三数据与第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数。能够有效提升谱线拟合的速度和准确性,且方法简单。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种谱线解谱方法、解谱装置、电子设备及存储介质。
背景技术
现有的电子顺磁共振(Electron Paramagnetic Resonance,EPR)解谱方法是基于传统的拟合算法,由于EPR谱线的特殊性,在拟合过程中存在大量的局部最优,导致拟合效果严重依赖初值,因此解谱需要专业人士做一些初值设定,并根据专业知识来确定是否拟合成功;此外,由于EPR谱线普遍数据量大,也会导致拟合的计算量大,进而也会导致解谱速度慢。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此,本发明的第一个目的在于提出一种谱线解谱方法,能够有效提升谱线拟合的速度和准确性,且方法简单。
本发明的第二个目的在于提出一种计算机可读存储介质。
本发明的第三个目的在于提出一种电子设备。
本发明的第四个目的在于提出一种谱线解谱装置。
为达上述目的,本发明的第一方面实施例提出了一种谱线解谱方法,获取用于生成谱线的数据集,数据集包括多个组数据,每个组数据均包括第一数据和第二数据;将第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据;根据第三数据与第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数。
根据本发明实施例的谱线解谱方法,通过获取用于生成谱线的数据集,将数据集中的第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据,并根据第三数据与数据集中的第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
在一些实施例中,在将第一数据输入至谱线生成网络之前,谱线解谱方法还包括:对谱线生成网络的待拟合参数进行初始化。
在一些实施例中,谱线解谱方法还包括:获取第三数据与第二数据之间的平方误差,得到损失值。
在一些实施例中,谱线解谱方法还包括:获取第三数据与第二数据之间的线性误差,得到损失值。
在一些实施例中,谱线生成网络是基于pytorch、tensorflow和caffe中的一种或多种构建的。
在一些实施例中,谱线生成网络包括多个参数通道,每个参数通道对应有相应的待拟合参数和数据集。
为达上述目的,本发明第二方面实施例提出了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述任一实施例的谱线解谱方法。
根据本发明实施例的计算机可读存储介质,采用上述的谱线解谱方法,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
为达上述目的,本发明第三方面实施例提出了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时,实现上述任一实施例的谱线解谱方法。
根据本发明实施例的电子设备,采用上述的谱线解谱方法,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
为达上述目的,本发明第四方面实施例提出了一种谱线解谱装置,装置包括:获取模块,用于获取用于生成谱线的数据集,数据集包括多个组数据,每个组数据均包括第一数据和第二数据;输入模块,用于将第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据;调整模块,用于根据第三数据与第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数。
根据本发明实施例的谱线解谱装置,通过获取模块获取用于生成谱线的数据集,并通过输入模块将数据集中的第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据,以及通过调整模块根据第三数据与数据集中的第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1为根据本发明一个实施例的谱线解谱方法的流程示意图;
图2为根据本发明一个具体实施例的谱线解谱方法的流程示意图;
图3为根据本发明一个实施例的电子设备的结构示意图;
图4为根据本发明一个实施例的谱线解谱装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的谱线解谱方法、解谱装置、电子设备及存储介质。
图1为根据本发明一个实施例的谱线解谱方法的流程示意图。参考图1所示,该谱线解谱方法包括以下步骤:
S101,获取用于生成谱线的数据集,数据集包括多个组数据,每个组数据均包括第一数据和第二数据。
其中,谱线可以为EPR谱线,也可以为其他需要拟合的谱线。可以通过实验获取用于生成谱线的数据集。
作为一个示例,用户在对测试样品进行EPR测试之后,会得到由多个组数据(即多个组的数据点)组成的EPR谱线数据集。每个组数据均包括用于表示EPR谱线的磁场强度H的数据,即第一数据,可以记为数据X,以及多个用于表示EPR谱线的吸收信号强度的数据,即第二数据,可以记为数据Y。
S102,将第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据。
其中,待拟合参数为谱线生成网络拟合谱线时所需要的拟合参数,也即第一数据和第二数据的关系式中的参数。用户可以根据经验或查阅资料预先设定好待拟合参数。
具体来说,将数据集中的所有第一数据(即数据X)输入至预先编写好的谱线生成网络中,谱线生成网络便可以根据待拟合参数和第一数据(即数据X)进行前向传播得到一组拟合数据,即第三数据,可以记为数据Y_fit。
S103,根据第三数据与第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数。
具体来说,在得到第三数据Y_fit之后,会利用谱线生成网络对第三数据Y_fit与第二数据Y进行损失值计算,接着利用当前计算得到的损失值对谱线生成网络进行反向传播,来调整谱线生成网络中的待拟合参数,在下一次迭代中,谱线生成网络基于调整后的待拟合参数以及第一数据X来得到新的第三数据Y_fit,并根据新的Y_fit和第二数据Y再次计算当前的损失值,通过将当前计算的损失值与预设损失值进行比较,若当前的损失值不小于预设损失值,则重复上述步骤,继续调整谱线生成网络中的待拟合参数,并计算损失值,如此经过多次迭代,直至损失值小于预设损失值之后,则说明当前谱线生成网络的性能已达到最佳,那么此时得到的待拟合参数则为谱线拟合的最佳参数,即目标拟合参数。其中,预设损失值可以根据实际情况进行设定。
在本实施例中,通过获取用于生成谱线的数据集,将数据集中的第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据,并根据第三数据与数据集中的第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
在一些实施例中,在将第一数据输入至谱线生成网络之前,谱线解谱方法还包括:对谱线生成网络的待拟合参数进行初始化。
具体来说,为了提高谱线拟合的精度,在将第一数据输入至谱线生成网络之前,可以对谱线生成网络的待拟合参数进行初始化,得到一组或多组待拟合参数的初始值,然后再重复上述S101-S103的步骤对待拟合的初始值进行调整,直至谱线生成网络的损失值小于预设损失值,从而确保谱线拟合达到全局最优。
需要说明的是,考虑到仅基于一组初始化的待拟合参数来进行谱线拟合,在拟合过程中,可能会出现局部最优的情况,从而导致谱线拟合结果不准确,因此,可以设置多组待拟合参数的初始值,并基于多组待拟合参数的初始值来对谱线解谱网络进行训练,从而达到全局最优的效果。
在一些实施例中,谱线解谱方法还包括:获取第三数据与第二数据之间的平方误差,得到损失值。
具体来说,可以采用均方误差(mean squared error,MSE)的方式来计算损失值,即通过计算第三数据Y_fit与第二数据Y之间差值的平方来得到损失值。
MSE的计算公式如下:
Loss(Y_fit,Y)=(Y_fit-Y)2
作为另一种可能实现的方式,可以获取第三数据与第二数据之间的线性误差,得到损失值。
具体来说,可以采用平均绝对误差(mean absolute error,MAE)的方式来计算损失值Loss,即通过计算第三数据Y_fit与第二数据Y之间差值的绝对值来得到损失值。
MAE的计算公式如下:
Loss(Y_fit,Y)=|Y_fit-Y|
在一些实施例中,谱线生成网络是基于pytorch、tensorflow和caffe中的一种或多种构建的。
在本实施例中,可以采用神经网络框架pytorch、tensorflow和caffe中的一种或多种来编写谱线生成网络,并将获取到的数据集作为网络的输入,借用谱线生成网络的梯度传输拟合出最终的谱线参数,进而提高谱线拟合的速度和准确度。
另外,考虑到在谱线生成的过程中,可能存在部分数据无法实现梯度回传的情况,因此,在本实施例中,还可以基于pytorch、tensorflow和caffe中的一种或多种构建损失值回传网络。
在一些实施例中,谱线生成网络包括多个参数通道,每个参数通道对应有相应的待拟合参数和数据集。
具体来说,为了实现多组待拟合参数的同时拟合,可以将谱线生成网络的参数通道设置成多个,多个参数通道之间互不干扰,每个参数通道基于各自对应的待拟合参数和数据集进行同时拟合,从而能够大大提高谱线拟合的速度。
下面通过一个具体的实施例来说明本发明的谱线解谱方法。参考图2所示,该谱线解谱方法包括:
应用神经网络pytorch框架编写EPR谱线生成网络以及loss回传网络,初始化EPR谱线生成网络中的待拟合参数,将实验数据X(即第一数据)输入至EPR谱线生成网络,EPR谱线生成网络通过对实验数据X和初始化的待拟合参数进行向前处理得到拟合数据Y_fit(即第三数据),接着对拟合数据Y_fit和实验数据Y(即第二数据)进行损失值计算,得到EPR谱线生成网络的损失值,并通过损失值对EPR谱线生成网络进行梯度回传,来调整待拟合参数,如此,经过多次迭代,直至损失值小于预设损失值(即损失值收敛)之后,得到最终的拟合参数。
在本实施例中,采用神经网络框架构建EPR谱线生成网络,利用神经网络的反向梯度传播来实现参数拟合,能够有效提高谱线拟合的速度以及准确性。
综上,根据本发明实施例的谱线解谱方法,通过获取用于生成谱线的数据集,将数据集中的第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据,并根据第三数据与数据集中的第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
对应上述实施例,本发明实施例还提出了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现上述任一实施例的谱线解谱方法。
根据本发明实施例的计算机可读存储介质,采用上述的谱线解谱方法,能够有效提升谱线拟合的速度和准确性,且方法简单。
对应上述实施例,本发明实施例还提出了一种电子设备,参考图3所示,该电子设备300包括:存储器302、处理器304及存储在存储器302上并可在处理器304上运行的程序306,处理器304执行程序306时,实现上述任一实施例的谱线解谱方法。
根据本发明实施例的电子设备,采用上述的谱线解谱方法,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
对应上述实施例,本发明实施例还提出了一种谱线解谱装置,参考图4所示,该谱线解谱装置400包括:获取模块410、输入模块420和调整模块430。
其中,获取模块410用于获取用于生成谱线的数据集,数据集包括多个组数据,每个组数据均包括第一数据和第二数据;输入模块420用于将第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据;调整模块430用于根据第三数据与第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数。
在一些实施例中,在将第一数据输入至谱线生成网络之前,获取模块410还用于:对谱线生成网络的待拟合参数进行初始化。
在一些实施例中,获取模块410还用于:获取第三数据与第二数据之间的平方误差,得到损失值。
在一些实施例中,获取模块410还用于:获取第三数据与第二数据之间的线性误差,得到损失值。
在一些实施例中,谱线生成网络是基于pytorch、tensorflow和caffe中的一种或多种构建的。
在一些实施例中,谱线生成网络包括多个参数通道,每个参数通道对应有相应的待拟合参数和数据集。
需要说明的是,关于谱线解谱装置中未披露的细节,请参考本发明实施例的谱线解谱方法中所披露的细节,这里不再赘述。
根据本发明实施例的谱线解谱装置,通过获取模块获取用于生成谱线的数据集,并通过输入模块将数据集中的第一数据输入至谱线生成网络,通过谱线生成网络根据待拟合参数和第一数据进行前向处理得到第三数据,以及通过调整模块根据第三数据与数据集中的第二数据之间的损失值,对谱线生成网络进行反向传播,以调整待拟合参数,直至损失值小于预设损失值,得到目标拟合参数,从而能够有效提升谱线拟合的速度和准确性,且方法简单。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,本发明实施例中所使用的“第一”、“第二”等术语,仅用于描述目的,而不可以理解为指示或者暗示相对重要性,或者隐含指明本实施例中所指示的技术特征数量。由此,本发明实施例中限定有“第一”、“第二”等术语的特征,可以明确或者隐含地表示该实施例中包括至少一个该特征。在本发明的描述中,词语“多个”的含义是至少两个或者两个及以上,例如两个、三个、四个等,除非实施例中另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种谱线解谱方法,其特征在于,所述方法包括:
获取用于生成谱线的数据集,所述数据集包括多个组数据,每个所述组数据均包括第一数据和第二数据;
将所述第一数据输入至谱线生成网络,通过所述谱线生成网络根据待拟合参数和所述第一数据进行前向处理得到第三数据;
根据所述第三数据与所述第二数据之间的损失值,对所述谱线生成网络进行反向传播,以调整所述待拟合参数,直至所述损失值小于预设损失值,得到目标拟合参数。
2.根据权利要求1所述的谱线解谱方法,其特征在于,在将所述第一数据输入至谱线生成网络之前,所述方法还包括:
对所述谱线生成网络的待拟合参数进行初始化。
3.根据权利要求1所述的谱线解谱方法,其特征在于,所述方法还包括:
获取所述第三数据与所述第二数据之间的平方误差,得到所述损失值。
4.根据权利要求1所述的谱线解谱方法,其特征在于,所述方法还包括:
获取所述第三数据与所述第二数据之间的线性误差,得到所述损失值。
5.根据权利要求1所述的谱线解谱方法,其特征在于,所述谱线生成网络是基于pytorch、tensorflow和caffe中的一种或多种构建的。
6.根据权利要求1-5任一项所述的谱线解谱方法,其特征在于,所述谱线生成网络包括多个参数通道,每个所述参数通道对应有相应的待拟合参数和数据集。
7.一种计算机可读存储介质,其特征在于,其上存储有程序,该程序被处理器执行时实现根据权利要求1-6任一项所述的谱线解谱方法。
8.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,所述处理器执行所述程序时,实现根据权利要求1-6任一项所述的谱线解谱方法。
9.一种谱线解谱装置,其特征在于,所述装置包括:
获取模块,用于获取用于生成谱线的数据集,所述数据集包括多个组数据,每个所述组数据均包括第一数据和第二数据;
输入模块,用于将所述第一数据输入至谱线生成网络,通过所述谱线生成网络根据待拟合参数和所述第一数据进行前向处理得到第三数据;
调整模块,用于根据所述第三数据与所述第二数据之间的损失值,对所述谱线生成网络进行反向传播,以调整所述待拟合参数,直至所述损失值小于预设损失值,得到目标拟合参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513579.0A CN116226607A (zh) | 2023-05-09 | 2023-05-09 | 谱线解谱方法、解谱装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310513579.0A CN116226607A (zh) | 2023-05-09 | 2023-05-09 | 谱线解谱方法、解谱装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116226607A true CN116226607A (zh) | 2023-06-06 |
Family
ID=86587692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310513579.0A Pending CN116226607A (zh) | 2023-05-09 | 2023-05-09 | 谱线解谱方法、解谱装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116226607A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114675319A (zh) * | 2022-03-25 | 2022-06-28 | 清华大学 | 一种脉冲x射线能谱测量的解谱方法和装置 |
WO2022217157A1 (en) * | 2021-04-09 | 2022-10-13 | The Regents Of The University Of California | System and method for quantitative magnetic resonance imaging using a deep learning network |
-
2023
- 2023-05-09 CN CN202310513579.0A patent/CN116226607A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022217157A1 (en) * | 2021-04-09 | 2022-10-13 | The Regents Of The University Of California | System and method for quantitative magnetic resonance imaging using a deep learning network |
CN114675319A (zh) * | 2022-03-25 | 2022-06-28 | 清华大学 | 一种脉冲x射线能谱测量的解谱方法和装置 |
Non-Patent Citations (5)
Title |
---|
李秋萍: "《现代城市节约用水技术与国际通用管理成功案例典范 第1卷》", 北京:中国宇航出版社, pages: 159 - 162 * |
梁庆宝;: "BP神经网络在同位素能谱解析中的应用", 中国石油和化工标准与质量, no. 10, pages 248 * |
王旭: "核信号数字化处理过程关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 135 - 932 * |
赵勇;荣康;谈爱玲;: "基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类", 光谱学与光谱分析, no. 12, pages 3755 - 3760 * |
郦文忠;谢涛;曹利国;: "新的三层BP神经网络算法在解谱分析中的应用", 科学技术与工程, no. 04, pages 897 - 899 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Johnson et al. | Convolution kernel design and efficient algorithm for sampling density correction | |
CN113537501B (zh) | 电磁串扰的标定和缓释方法、装置及电子设备 | |
Zhao et al. | Wavelet denoising via sparse representation | |
CN112818619A (zh) | 一种耳机主动降噪的仿真方法及装置 | |
CN117011673B (zh) | 基于噪声扩散学习的电阻抗层析成像图像重建方法和装置 | |
CN111044962A (zh) | 一种基于fft的带宽平坦度校准方法 | |
CN109471053B (zh) | 一种基于双约束的介电特性迭代成像方法 | |
JP6441769B2 (ja) | クラスタリング装置、クラスタリング方法及びクラスタリングプログラム | |
CN116226607A (zh) | 谱线解谱方法、解谱装置、电子设备及存储介质 | |
JP6567478B2 (ja) | 音源強調学習装置、音源強調装置、音源強調学習方法、プログラム、信号処理学習装置 | |
US9871649B2 (en) | Real time subsample time resolution signal alignment in time domain | |
CN111856364B (zh) | 一种磁共振成像方法、装置、系统及存储介质 | |
CN114580249B (zh) | 一种多环路的fdtd电磁场仿真分析方法、系统、设备和介质 | |
CN116257737A (zh) | 基于自动编码器的新型输电线路高频故障信号降噪方法 | |
CN115524658A (zh) | 电能表运行误差确定方法及装置 | |
CN112336337B (zh) | 磁共振参数成像模型的训练方法及训练装置、介质和设备 | |
CN114897032A (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
US9654156B2 (en) | Nonlinear compensating apparatus and method, transmitter and communication system | |
CN111856365B (zh) | 磁共振成像方法、装置、系统及存储介质 | |
Novosadová et al. | Piecewise-polynomial signal segmentation using reweighted convex optimization | |
JP6296882B2 (ja) | 適応型周波数領域ウィンドウイング | |
Zhu et al. | TV sparsifying MR image reconstruction in compressive sensing | |
Jacob et al. | A constrained approximation problem arising in parameter identification | |
US8457585B2 (en) | Noise reduction system and method | |
CN112731532B (zh) | 建立叠前时间偏移速度场的方法和装置 |
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 |