Fugu-MT 論文翻訳(概要): Restoring Original Signal From Pile-up Signal using Deep Learning

論文の概要: Restoring Original Signal From Pile-up Signal using Deep Learning

arxiv url: http://arxiv.org/abs/2304.14496v1
Date: Mon, 24 Apr 2023 08:42:17 GMT
ステータス: 処理完了
システム内更新日: 2023-05-07 16:22:11.046286
Title: Restoring Original Signal From Pile-up Signal using Deep Learning
Title（参考訳）: 深層学習を用いたパイルアップ信号からの原信号の復元
Authors: C. H. Kim, S. Ahn, K. Y. Chae, J. Hooker, G. V. Rogachev
Abstract要約: パイルアップ信号は実験物理学でしばしば生成される。彼らは不正確な物理データを高い不確実性で生成する。本研究では,蓄積信号から元の信号を復元する深層学習手法を実装した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pile-up signals are frequently produced in experimental physics. They create inaccurate physics data with high uncertainty and cause various problems. Therefore, the correction to pile-up signals is crucially required. In this study, we implemented a deep learning method to restore the original signals from the pile-up signals. We showed that a deep learning model could accurately reconstruct the original signal waveforms from the pile-up waveforms. By substituting the pile-up signals with the original signals predicted by the model, the energy and timing resolutions of the data are notably enhanced. The model implementation significantly improved the quality of the particle identification plot and particle tracks. This method is applicable to similar problems, such as separating multiple signals or correcting pile-up signals with other types of noises and backgrounds.
Abstract（参考訳）: パイルアップ信号は実験物理学でしばしば生成される。不確実性の高い不正確な物理データを作成し、様々な問題を引き起こす。そのため、信号の積み上げに対する補正が不可欠である。本研究では,重ね合わせ信号から元の信号を復元する深層学習手法を実装した。深層学習モデルでは, 重ね上げ波形から元の信号波形を正確に再現できることが分かった。モデルによって予測された元の信号で積み上げ信号に代えて、データのエネルギーとタイミングの解像度を顕著に向上させる。モデル実装により粒子識別プロットと粒子トラックの品質が大幅に向上した。この方法は、複数の信号の分離や、他の種類のノイズや背景による積み上げ信号の補正など、同様の問題に適用できる。

関連論文リスト

Efficient representation learning of scintillation signal characteristics with spectrum-inspired temporal neural networks [1.124958340749622]
シンチレータを用いた核放射線検出器は、粒子・高エネルギー物理実験、核医学イメージング、産業・環境検出等に広く利用されている。本稿では,従来の時系列解析に基づくシンチレーション信号のキャラクタリゼーションに適したネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-10-09T02:44:53Z)
Deep-TEMPEST: Using Deep Learning to Eavesdrop on HDMI from its Unintended Electromagnetic Emanations [0.34952465649465553]
本稿では,ケーブルやコネクタから無意識に放出される電磁波を分析して,デジタルビデオディスプレイの盗聴問題に対処する。アナログケース(VGA)と比較して、デジタルケースは10ビットの符号化により、観測された信号と画素の強度の間の帯域幅と非線形マッピングがはるかに大きくなるため、難しい。提案手法は、問題を逆問題として再キャストし、深層学習モジュールを訓練し、観測された電磁波を表示された画像にマッピングする。
論文参考訳（メタデータ） (2024-07-12T23:07:37Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
On Neural Architectures for Deep Learning-based Source Separation of Co-Channel OFDM Signals [104.11663769306566]
周波数分割多重化(OFDM)信号を含む単一チャネル音源分離問題について検討する。我々はOFDM構造からの洞察に基づいて、ネットワークパラメータ化に対する重要なドメインインフォームド修正を提案する。
論文参考訳（メタデータ） (2023-03-11T16:29:13Z)
Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文参考訳（メタデータ） (2022-08-24T07:50:43Z)
Ultrasound Signal Processing: From Models to Deep Learning [64.56774869055826]
医用超音波画像は、信頼性と解釈可能な画像再構成を提供するために、高品質な信号処理に大きく依存している。データ駆動方式で最適化されたディープラーニングベースの手法が人気を集めている。比較的新しいパラダイムは、データ駆動型ディープラーニングの活用とドメイン知識の活用という2つのパワーを組み合わせたものだ。
論文参考訳（メタデータ） (2022-04-09T13:04:36Z)
Physics-driven Synthetic Data Learning for Biomedical Magnetic Resonance [29.338413545265364]
物理に基づく画像データ合成(IPADS)は、生医学的磁気共鳴の膨大なトレーニングデータを提供することができる。 IPADSは、微分方程式や分析ソリューションモデルから信号を生成し、学習をよりスケーラブルに、説明しやすく、プライバシーを保護します。
論文参考訳（メタデータ） (2022-03-21T17:56:12Z)
Data-driven detector signal characterization with constrained bottleneck autoencoders [0.0]
制約付きボトルネックオートエンコーダという形でのディープラーニングは、データから直接、基盤となる未知の検出器応答モデルを学ぶために使用することができる。トレーニングされたアルゴリズムは、モデルの物理パラメータを推定し、高い忠実度で検出器応答をシミュレートし、検出器信号をデノネーズするために同時に使用することができる。
論文参考訳（メタデータ） (2022-03-09T09:46:10Z)
Ensemble of Convolution Neural Networks on Heterogeneous Signals for Sleep Stage Scoring [63.30661835412352]
本稿では,脳波以外の追加信号の利用の利便性について検討し,比較する。最も優れたモデルである深部分離畳み込みニューラルネットワークのアンサンブルは86.06%の精度を達成した。
論文参考訳（メタデータ） (2021-07-23T06:37:38Z)
Signal Transformer: Complex-valued Attention and Meta-Learning for Signal Recognition [33.178794056273304]
本稿では,理論収束保証を伴う一般の非評価問題に対して,CAMEL(complex-valued Attentional MEta Learner)を提案する。本報告では, 状態が小さい場合に, 提案したデータ認識実験の優位性を示す。
論文参考訳（メタデータ） (2021-06-05T03:57:41Z)
Convolutional Neural Networks for Sleep Stage Scoring on a Two-Channel EEG Signal [63.18666008322476]
睡眠障害は、世界中の主要な病気の1つです。専門家が使用する基本的なツールはPolysomnogramで、睡眠中に記録された様々な信号の集合である。専門家は、標準的なガイドラインの1つに従って異なる信号を採点する必要があります。
論文参考訳（メタデータ） (2021-03-30T09:59:56Z)

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。