FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2078237276> ?p ?o ?g. }

• W2078237276 endingPage "355" @default.
• W2078237276 startingPage "333" @default.
• W2078237276 abstract "In various signal processing applications, it is desired to appropriately modify a given data set so that the modified data set possesses prescribed properties. The modification of the given data set serves as a preprocessing step of ‘cleaning up’ the data before estimating the values of the signal parameters. In this paper, evaluation and improvement of a signal enhancement algorithm, originally proposed by Tufts, Kumaresan and Kirsteins and recently generalized by Cadzow, are presented. In essence, the newly proposed algorithm first arranges the data in a very rectangular (instead of a square) Hankel structured matrix in order to make the corresponding signal-only data matrix orthogonal to the noise, then computes a minimum variance (instead of a least squares) estimate of the signal-only data matrix and finally restores the Hankel structure of the computed minimum variance estimate. An extensive set of simulations is given demonstrating a significant improvement in resolution performance over Cadzow's method at a comparable parameter accuracy. Moreover, arranging the data in a very rectangular matrix reduces drastically the required computation time. In particular, the newly proposed signal enhancement algorithm can be successfully applied to the quantitative time-domain analysis of Nuclear Magnetic Resonance (NMR) data. In verschiedenen Signalverarbeitungs-Anwendungen ist es erwünscht, einen gegebenen Datensatz passend zu modifizieren, so daß der geänderte Datensatz vorgeschriebene Eigenschaften besitzt. Die Datenmodifikation dient als Vorverarbeitungsschritt zur ‘Datenbereinigung’ vor der Schätzung der Werte von Signalparametern. In diesem Beitrag werden die Auswertung und Verbesserung eines Signalaufbereitungs-Verfahrens vorgestellt, das ursprünglich von Tufts, Kumaresan und Kirsteins vorgeschlagen und kürzlich von Cadzow verallgemeinert wurde. Im wesentlichen ordnet der neu vorgeschlagene Algorithmus zuerst die Daten in einer stark rechteckförmigen (statt quadratischen) Hankelmatrix an, um die entsprechende reine Signaldaten-Matrix orthogonal zum Rauschen zu machen; dann berechnet er eine Schätzung der Signaldaten-Matrix orthogonal zum Rauschen zu machen; dann berechnet er eine Schätzung der Signaldaten-Matrix mit miminaler Varianz (statt mit kleinstem Quadrat), und schließlich stellt er die Hankelstruktur der berechneten Minimum-Varianz-Schätzung wieder her. Ein umfangreicher Satz von Simulationen wird angegeben. Er demonstriert eine merkliche Verbesserung bezüglich der Auflösung gegenüber Cadzows Methode bei vergleichbarer Parameter-Genauigkeit. Darüberhinaus verringert das Anordnen der Daten in einer stark rechteckigen Matrix die erforderliche Rechenzeit drastisch. Insbesondere läßt sich der neu vorgeschlagene Signalverbesserungs-Algorithmus erfolgreich auf die quantitative Zeitbereichs-Analyse von Kerspinresonanz-(NMR-) Daten anwenden. Dans de nombreuses applications de traitement du signal, on désire modifier de manière appropriée un ensemble de données de telle sorte que l'ensemble de données modifiée possède des propriétés prescrites. La modification de l'ensemble de données sert d'étape de pré-traitement au ‘nettoyage’ des données avant estimation des valeurs des paramètres du signal. Nous présentons dans cet article une évaluation et une amélioration d'un algorithme de rehaussement du signal originellement proposé par Tufts, Kumaresan et Kirsteins et récemment généralisé par Cadzow. En essence, le nouvel algorithme proposé arrange tout d'abord les données dans une matrice structurée de Hankel très rectangulaire (au lieu d'être carrée) de façon à rendre la matrice de données ‘signal seulement’ orthogonale au bruit, puis calcule une estimée au minimum de variance (au lieu d'être aux moindres carrés) de la matrice de données ‘signal seulement’ et finalement restaure la structure de Hankel de l'estimée au minimum de variance. Nous donnons un ensemble étendu de simulations qui montre une amélioration significative des performances de résolution par rapport à la méthode de Cadzow pour une précision des paramètres comparable. De plus, l'arrangement des données dans une matrice très rectangulaire réduit de manière drastique le temps de calcul requis. En particulier, l'algorithme de rehaussement de signal nouvellement proposé peut être appliqué avec succès à l'analyse quantitative temporelle de données de résonance magnétique nucléaire (NMR)." @default.
• W2078237276 created "2016-06-24" @default.
• W2078237276 creator A5049055621 @default.
• W2078237276 date "1993-09-01" @default.
• W2078237276 modified "2023-09-30" @default.
• W2078237276 title "Enhanced resolution based on minimum variance estimation and exponential data modeling" @default.
• W2078237276 cites W1967486001 @default.
• W2078237276 cites W2001957929 @default.
• W2078237276 cites W2065656021 @default.
• W2078237276 cites W2109378630 @default.
• W2078237276 cites W2118682956 @default.
• W2078237276 cites W2132182426 @default.
• W2078237276 cites W2151517138 @default.
• W2078237276 cites W2165887549 @default.
• W2078237276 doi "https://doi.org/10.1016/0165-1684(93)90130-3" @default.
• W2078237276 hasPublicationYear "1993" @default.
• W2078237276 type Work @default.
• W2078237276 sameAs 2078237276 @default.
• W2078237276 citedByCount "99" @default.
• W2078237276 countsByYear W20782372762012 @default.
• W2078237276 countsByYear W20782372762013 @default.
• W2078237276 countsByYear W20782372762014 @default.
• W2078237276 countsByYear W20782372762015 @default.
• W2078237276 countsByYear W20782372762016 @default.
• W2078237276 countsByYear W20782372762017 @default.
• W2078237276 countsByYear W20782372762018 @default.
• W2078237276 countsByYear W20782372762019 @default.
• W2078237276 countsByYear W20782372762020 @default.
• W2078237276 countsByYear W20782372762021 @default.
• W2078237276 countsByYear W20782372762022 @default.
• W2078237276 countsByYear W20782372762023 @default.
• W2078237276 crossrefType "journal-article" @default.
• W2078237276 hasAuthorship W2078237276A5049055621 @default.
• W2078237276 hasConcept C104317684 @default.
• W2078237276 hasConcept C106487976 @default.
• W2078237276 hasConcept C11413529 @default.
• W2078237276 hasConcept C115961682 @default.
• W2078237276 hasConcept C134306372 @default.
• W2078237276 hasConcept C154945302 @default.
• W2078237276 hasConcept C159985019 @default.
• W2078237276 hasConcept C177264268 @default.
• W2078237276 hasConcept C185592680 @default.
• W2078237276 hasConcept C192562407 @default.
• W2078237276 hasConcept C193252679 @default.
• W2078237276 hasConcept C199360897 @default.
• W2078237276 hasConcept C25023664 @default.
• W2078237276 hasConcept C2779843651 @default.
• W2078237276 hasConcept C2780985081 @default.
• W2078237276 hasConcept C33923547 @default.
• W2078237276 hasConcept C34736171 @default.
• W2078237276 hasConcept C41008148 @default.
• W2078237276 hasConcept C44465124 @default.
• W2078237276 hasConcept C45374587 @default.
• W2078237276 hasConcept C55493867 @default.
• W2078237276 hasConcept C58489278 @default.
• W2078237276 hasConcept C99498987 @default.
• W2078237276 hasConceptScore W2078237276C104317684 @default.
• W2078237276 hasConceptScore W2078237276C106487976 @default.
• W2078237276 hasConceptScore W2078237276C11413529 @default.
• W2078237276 hasConceptScore W2078237276C115961682 @default.
• W2078237276 hasConceptScore W2078237276C134306372 @default.
• W2078237276 hasConceptScore W2078237276C154945302 @default.
• W2078237276 hasConceptScore W2078237276C159985019 @default.
• W2078237276 hasConceptScore W2078237276C177264268 @default.
• W2078237276 hasConceptScore W2078237276C185592680 @default.
• W2078237276 hasConceptScore W2078237276C192562407 @default.
• W2078237276 hasConceptScore W2078237276C193252679 @default.
• W2078237276 hasConceptScore W2078237276C199360897 @default.
• W2078237276 hasConceptScore W2078237276C25023664 @default.
• W2078237276 hasConceptScore W2078237276C2779843651 @default.
• W2078237276 hasConceptScore W2078237276C2780985081 @default.
• W2078237276 hasConceptScore W2078237276C33923547 @default.
• W2078237276 hasConceptScore W2078237276C34736171 @default.
• W2078237276 hasConceptScore W2078237276C41008148 @default.
• W2078237276 hasConceptScore W2078237276C44465124 @default.
• W2078237276 hasConceptScore W2078237276C45374587 @default.
• W2078237276 hasConceptScore W2078237276C55493867 @default.
• W2078237276 hasConceptScore W2078237276C58489278 @default.
• W2078237276 hasConceptScore W2078237276C99498987 @default.
• W2078237276 hasIssue "3" @default.
• W2078237276 hasLocation W20782372761 @default.
• W2078237276 hasOpenAccess W2078237276 @default.
• W2078237276 hasPrimaryLocation W20782372761 @default.
• W2078237276 hasRelatedWork W1569186821 @default.
• W2078237276 hasRelatedWork W2017359570 @default.
• W2078237276 hasRelatedWork W2018941017 @default.
• W2078237276 hasRelatedWork W2042829788 @default.
• W2078237276 hasRelatedWork W2351461019 @default.
• W2078237276 hasRelatedWork W2351653267 @default.
• W2078237276 hasRelatedWork W2368634881 @default.
• W2078237276 hasRelatedWork W2382928216 @default.
• W2078237276 hasRelatedWork W3013553788 @default.
• W2078237276 hasRelatedWork W2460184855 @default.
• W2078237276 hasVolume "33" @default.
• W2078237276 isParatext "false" @default.
• W2078237276 isRetracted "false" @default.
• W2078237276 magId "2078237276" @default.
• W2078237276 workType "article" @default.