論文の概要: Blind Source Separation for NMR Spectra with Negative Intensity
- arxiv url: http://arxiv.org/abs/2002.03009v1
- Date: Fri, 7 Feb 2020 20:57:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 05:19:41.066381
- Title: Blind Source Separation for NMR Spectra with Negative Intensity
- Title（参考訳）: 負の強度を持つNMRスペクトルのブラインド音源分離
- Authors: Ryan J. McCarty, Nimish Ronghe, Mandy Woo, Todd M. Alam
- Abstract要約: 我々は、負の強度を含むNMRスペクトル分析のためのブラインド音源分離手法をベンチマークした。
FastICA、SIMPLISMA、NNMFは最高のパフォーマンス技術である。
FastICAとSIMPLISMAの精度は、過剰な(非現実的な)純粋なコンポーネントが予測されると急速に低下する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: NMR spectral datasets, especially in systems with limited samples, can be
difficult to interpret if they contain multiple chemical components (phases,
polymorphs, molecules, crystals, glasses, etc...) and the possibility of
overlapping resonances. In this paper, we benchmark several blind source
separation techniques for analysis of NMR spectral datasets containing negative
intensity. For benchmarking purposes, we generated a large synthetic datasbase
of quadrupolar solid-state NMR-like spectra that model spin-lattice T1
relaxation or nutation tip/flip angle experiments. Our benchmarking approach
focused exclusively on the ability of blind source separation techniques to
reproduce the spectra of the underlying pure components. In general, we find
that FastICA (Fast Independent Component Analysis), SIMPLISMA
(SIMPLe-to-use-Interactive Self-modeling Mixture Analysis), and NNMF
(Non-Negative Matrix Factorization) are top-performing techniques. We
demonstrate that dataset normalization approaches prior to blind source
separation do not considerably improve outcomes. Within the range of noise
levels studied, we did not find drastic changes to the ranking of techniques.
The accuracy of FastICA and SIMPLISMA degrades quickly if excess (unreal) pure
components are predicted. Our results indicate poor performance of SVD
(Singular Value Decomposition) methods, and we propose alternative techniques
for matrix initialization. The benchmarked techniques are also applied to real
solid state NMR datasets. In general, the recommendations from the synthetic
datasets agree with the recommendations and results from the real data
analysis. The discussion provides some additional recommendations for
spectroscopists applying blind source separation to NMR datasets, and for
future benchmark studies.
- Abstract（参考訳）: NMRスペクトルデータセット、特に限られたサンプルを持つシステムでは、複数の化学成分(相、多形体、分子、結晶、ガラスなど)と重なり合う共鳴の可能性を解釈することは困難である。
本稿では、負の強度を含むNMRスペクトル分析のためのブラインド音源分離手法をベンチマークする。
ベンチマークのために,スピン格子t1緩和やナレーション先端/すべり角実験をモデル化した,四極性固体nmrライクスペクトルの大規模な合成データを生成する。
ベンチマークアプローチでは,基礎となる純成分のスペクトルを再現するブラインドソース分離技術にのみ焦点をあてた。
一般に、FastICA(Fast Independent Component Analysis)、SIMPLISMA(SIMPLe-to-use-Interactive Self-modeling Analysis)、NNMF(Non-Negative Matrix Factorization)がトップパフォーマンス技術である。
ブラインドソース分離前のデータセット正規化アプローチは,結果を大きく改善しないことを示す。
調査対象の騒音レベルの範囲内では,手法のランキングに大きな変化は認められなかった。
FastICAとSIMPLISMAの精度は、過剰な(非現実的な)純粋なコンポーネントが予測されると急速に低下する。
本研究では,SVD法の性能が低いことを示すとともに,行列初期化のための代替手法を提案する。
ベンチマーク手法は実固体NMRデータセットにも適用される。
一般に、合成データセットからの推奨は、実際のデータ分析による推奨と結果と一致する。
この議論は、NMRデータセットにブラインドソース分離を適用した分光学者や将来のベンチマーク研究にいくつかの推奨事項を提供する。
関連論文リスト
- Neural Spectral Decomposition for Dataset Distillation [48.59372086450124]
本稿では,データセット蒸留のための一般的な分解フレームワークであるニューラルスペクトル分解を提案する。
本研究の目的は,データセット全体の低ランク表現を発見し,効率的に蒸留を行うことである。
提案手法はCIFAR10, CIFAR100, Tiny Imagenet, ImageNet Subsetなどのベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2024-08-29T03:26:14Z) - Nonparametric Independent Component Analysis for the Sources with Mixed
Spectra [0.06445605125467573]
既存のICAプロシージャの多くは独立したサンプリングを前提としている。
2次統計に基づく音源分離法は, 自己相関源からの混合物のパラメトリック時系列モデルに基づいて開発されている。
本稿では,3次スプラインとインジケータ関数を用いて,音源信号のスペクトル密度関数と線スペクトルを推定し,新しいICA法を提案する。
論文 参考訳（メタデータ） (2022-12-13T02:13:14Z) - Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet
Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。
スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。
主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文 参考訳（メタデータ） (2022-01-07T22:26:33Z) - Constrained non-negative matrix factorization enabling real-time
insights of $\textit{in situ}$ and high-throughput experiments [0.0]
非負行列因子化(NMF)法は、ストリーミングスペクトルデータのリアルタイム解析に魅力的な教師なし学習法を提供する。
我々は,NMFの重みや成分の制約が,真に根底にある現象を明らかにする上で,いかに顕著な改善をもたらすかを示す。
論文 参考訳（メタデータ） (2021-04-02T03:04:24Z) - Regularization by Denoising Sub-sampled Newton Method for Spectral CT
Multi-Material Decomposition [78.37855832568569]
スペクトルctを用いたマルチマテリアル画像再構成のためのモデルベース最大後課題の解決法を提案する。
特に,プラグイン画像復号化機能に基づく正規化最適化問題について提案する。
スペクトルct材料分解の数値的および実験的結果を示す。
論文 参考訳（メタデータ） (2021-03-25T15:20:10Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z) - Entropy Minimizing Matrix Factorization [102.26446204624885]
NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。
本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。
通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
論文 参考訳（メタデータ） (2021-03-24T21:08:43Z) - XCloud-MoDern: An Artificial Intelligence Cloud for Accelerated NMR
Spectroscopy [12.059763077500891]
まず, 高速な深層学習フレームワーク (MoDern) を考案し, 挑戦的な多次元NMRスペクトルの頑健かつ高品質な再構成における驚くべき性能を示す。
そこで我々は,高速NMRのための信頼性,広く利用可能な,超高速かつ使いやすい技術として,新しい人工知能クラウドコンピューティングプラットフォーム(XCloud-MoDern)を開発した。
論文 参考訳（メタデータ） (2020-12-29T16:13:01Z) - Spectral Unmixing With Multinomial Mixture Kernel and Wasserstein
Generative Adversarial Loss [4.56877715768796]
本研究では1次元畳み込みカーネルとスペクトル不確実性を用いたスペクトルアンミックスのための新しいフレームワークを提案する。
高レベルの表現はデータから計算され、さらに多項混合モデルでモデル化される。
実データと合成データの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-12T16:49:01Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳（メタデータ） (2020-03-22T03:57:38Z) - Constrained Nonnegative Matrix Factorization for Blind Hyperspectral
Unmixing incorporating Endmember Independence [0.0]
本稿では,KbSNMF(Kurtosis-based Smooth Non negative Matrix Factorization)と呼ばれる新しいブラインドHUアルゴリズムを提案する。
終端スペクトルの確率密度関数の統計的独立性に基づく新しい制約が組み込まれている。
これは特に高スペクトルデータからエンドメンバースペクトルを抽出するという点で優れた性能を示す。
論文 参考訳（メタデータ） (2020-03-02T17:20:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。