Огляд методів оброблення та аналізу сигналів ядерного квадрупольного резонансу
DOI:
https://doi.org/10.31861/sisiot2025.2.02004Ключові слова:
ядерний квадрупольний резонанс, аналіз даних, штучний інтелект, штучні нейронні мережі, інтелектуальна системаАнотація
У статті представлено структурований і комплексний огляд методів оброблення та аналізу сигналів ядерного квадрупольного резонансу (ЯКР) з акцентом на їхню ефективність в умовах реального середовища, де вимірювані сигнали, як правило, є слабкими, зашумленими та високочутливими до впливу зовнішніх чинників. Розглянуто класичні підходи, зокрема аналіз Фур’є, вейвлет-перетворення, адаптивну й узгоджену фільтрацію, а також методи спектрального оцінювання високої роздільної здатності, які застосовуються для підвищення завадостійкості та точності локалізації частотних компонентів. Окрему увагу приділено сучасним методам машинного навчання, включно з глибокими нейронними мережами та гібридними архітектурами, здатними автоматично виокремлювати інформативні ознаки сигналів і демонструвати високу ефективність за низьких відношень сигнал/шум. Кожну групу методів проаналізовано за сукупністю практично важливих критеріїв, зокрема шумостійкістю, обчислювальною складністю, адаптивністю до нестаціонарних умов, чутливістю до зміни параметрів сигналу та придатністю для реалізації у портативних або обмежених за ресурсами ЯКР-системах. У межах огляду також окреслено ключові проблеми сучасних досліджень у галузі ядерного квадрупольного резонансу, серед яких відсутність стандартизованих і репрезентативних навчальних наборів даних, обмежена інтерпретованість моделей машинного навчання, а також складність упровадження обчислювально затратних алгоритмів у компактні вимірювальні комплекси. Показано, що жоден із розглянутих підходів не забезпечує універсального рішення для всіх умов експлуатації та прикладних задач. Найперспективнішим напрямом розвитку є створення гібридних підходів, що поєднують класичні методи попередньої обробки сигналів із можливостями машинного навчання. Проведений аналіз формує методологічну основу для обґрунтованого вибору та проєктування надійних і адаптивних ЯКР-систем, орієнтованих на практичне застосування у сфері безпеки, аналізу матеріалів та ідентифікації хімічних сполук у складних умовах.
Завантажити
Посилання
A. P. Samila, O. H. Khandozhko, H. I. Lastivka, and L. F. Politanskyi, Strukturnyi ta funktsionalnyi syntez radioelektronnykh zasobiv impulsnoi spektroskopii yadernoho kvadrupolnoho rezonansu [Structural and functional synthesis of radio-electronic equipment for pulsed nuclear quadrupole resonance spectroscopy]. Chernivtsi, Ukraine: Yuriy Fedkovych Chernivtsi National University, 2018 (in Ukrainian).
K. L. Horace-Herron, N. V. R. Masna, S. Bhunia, S. Mandal, and S. Ray, “Nuclear quadrupole resonance for substance detection,” IEEE Access, vol. 12, pp. 111709–111722, 2024, doi: 10.1109/ACCESS.2024.3438877.
C. Monea, “Signal processing and analysis methods in nuclear quadrupole resonance spectroscopy,” J. Electr. Electron. Control Commun. Syst., vol. 4, no. 12, pp. 1–8, 2018. [Online]. Available: https://mail.jeeeccs.net/index.php/journal/article/view/98
C. Monea, “A review of NQR signal processing and analysis techniques,” J. Franklin Inst., vol. 357, no. 17, pp. 13085–13124, 2020, doi: 10.1016/j.jfranklin.2020.09.013.
C. Monea, “Nuclear quadrupole resonance response detection using deep neural networks,” Expert Syst. Appl., vol. 182, Art. no. 115227, 2021, doi: 10.1016/j.eswa.2021.115227.
W. Shao, J. Barras, and P. Kosmas, “A novel wavelets method for cancelling time-varying interference in NQR signal detection,” Signal Process., vol. 154, pp. 238–249, 2019, doi: 10.1016/j.sigpro.2018.08.016.
Y. Tan, S. L. Tantum, and L. M. Collins, “Kalman filtering for enhanced landmine detection using quadrupole resonance,” IEEE Trans. Geosci. Remote Sens., vol. 43, no. 7, pp. 1507–1516, Jul. 2005, doi: 10.1109/TGRS.2005.846863.
A. Jakobsson, M. Mossberg, M. D. Rowe, and J. A. S. Smith, “Exploiting temperature dependency in the detection of NQR signals,” IEEE Trans. Signal Process., vol. 54, no. 5, pp. 1610–1616, May 2006, doi: 10.1109/TSP.2006.871969.
S. D. Somasundaram, A. Jakobsson, J. A. S. Smith, and K. Althoefer, “Exploiting spin echo decay in the detection of nuclear quadrupole resonance signals,” IEEE Trans. Geosci. Remote Sens., vol. 45, no. 4, pp. 925–933, Apr. 2007, doi: 10.1109/TGRS.2006.890413.
Y. Zhang, “A better autoencoder for image: Convolutional autoencoder,” M.S. thesis, School of Computing, Australian National Univ., Canberra, ACT, Australia, 2018.
W. Shao, J. Barras, and P. Kosmas, “Detection of extremely weak NQR signals using stochastic resonance and neural network theories,” Signal Process., vol. 142, pp. 96–103, 2018, doi: 10.1016/j.sigpro.2017.06.027.
A. Ahmad, N. R. Butt, and B. Zaman, “Deep neural network based accurate and fast detection of hidden explosives and narcotics using multi-pulse nuclear quadrupole resonance,” SSRN, Sep. 2024, doi: 10.2139/ssrn.4948911.
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Безпека інфокомунікаційних систем та Інтернету речей
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
