РОЗРОБКА МЕТОДУ КОМП’ЮТЕРНОГО АНАЛІЗУ ПАРАМЕТРІВ СПЕКТРОМЕТРИЧНИХ СИГНАЛІВ З ВИКОРИСТАННЯМ ДИСКРЕТНИХ ВЕЙВЛЕТ-ПЕРЕТВОРЕНЬ
DOI:
https://doi.org/10.32689/maup.it.2025.4.23Ключові слова:
комп’ютерний аналіз цифрових сигналів, комп'ютерне моделювання, спектрометричні сигнали, алгоритми розпізнавання, комп’ютерна система, дискретне вейвлет-перетворенняАнотація
Мета дослідження. Завдяки стрімкому розвитку комп’ютерних технологій, методи комп'ютерного аналізу активно застосовуються для обробки оцифрованих спектрометричних сигналів та побудови спектрів. Метою роботи є підвищення точності розпізнавання та вимірювання параметрів спектрометричних сигналів в комп’ютерних системах спектрального аналізу шляхом розробки нового методу обробки даних. Методологія. В процесі комп'ютерного аналізу використовуються методи цифрової обробки сигналів, алгоритми дискретних вейвлет-перетворень, методи і алгоритми інтелектуального аналізу великих масивів даних. Для генерації цифрових образів спектрометричних сигналів застосовуються методи математичного та комп'ютерного моделювання. В рамках дослідження було розроблено кросплатформну программу, яка дозволяє виконувати симуляцію оцифрованого сигналу, обробку даних існуючими або новими підходами і візуалізацію результатів. Даний програмний засіб був розроблений на мові програмування С++ з використанням фреймворку QT, який надає можливість створювати кросплатформне програмне забезпечення. Наукова новизна. Вперше розроблено метод комп'ютерного аналізу оцифрованих спектрометричних сигналів, особливістю якого є фільтрація сигналу з автоматичним визначенням рівня електричного шуму за допомогою алгоритмів дискретних вейвлет-перетворень та адаптивного алгоритму BayesShrink, а також додаткова обробка суперпозиції імпульсів, що дозволило підвищити точність обробки спектрометричних даних. Висновки. В рамках розробки нового методу комп'ютерного аналізу спектрометричних сигналів було представлено підхід до фільтрації сигналу від шуму з автоматичним визначенням шумового порогу та алгоритм розпізнавання параметрів імпульсів з корекцію їх амлітуд при суперпозиції. Для комплексної перевірки точності розпізнавання і швидкодії запропонованого методу у порівнянні з кількома існуючими підходами, було змодельовано вхідні дані для аналізу з повністю відомими параметрами зі штучним, ідеалізованим розподілом амплітуд імпульсів. Після цього було виконано аналіз таких даних різними методами. Наведені результати комп'ютерної обробки свідчать, що запропонований метод аналізу дозволив підвищити точність розпізнавання параметрів спектрометричних сигналів в досліджених сценаріях, у порівнянні з альтернативними підходами. Одним з напрямків для подальшого дослідження є перевірка роботи розробленого методу на масивах даних, отриманих під час реальних експериментів за допомогою спектрометричного обладнання та діджітайзера.
Посилання
Грабовський В. А. Прикладна спектрометрія йонізуючих випромінювань: Навчальний посібник. Видавничий центр ЛНУ імені Івана Франка. 2008. 296 с.
Проценко М. М. Методика вибору вейвлет-функції для обробки цифрових сигналів. Вісник ЖДТУ. Серія "Технічні науки". 2016. (2(49), С.97–100. https://doi.org/10.26642/tn-2009-2(49)-97-100
Рева С. М., Циблієв Д. О. Математичні моделі та алгоритми комп’ютерного моделювання спектрометричних сигналів. Вісник Харківського національного університету імені В.Н. Каразіна, сер. «Математичне моделювання. Інформаційні технології. Автоматизовані системи управління». 2023. Том 58. С.64–74. URL: https://periodicals.karazin.ua/mia/article/view/23502
Ai P., Wang D., Huang G., et al. PulseDL: A reconfigurable deep learning array processor dedicated to pulse characterization for high energy physics detectors. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2020. Volume 978, 164420. DOI: http://dx.doi.org/10.1016/j.nima.2020.164420
Ai P., Wang D., Huang G., Fang N., Xu D., Zhang F. Timing and characterization of shaped pulses with MHz ADCs in a detector system: a comparative study and deep learning approach. Journal of Instrumentation. 2019. Volume 14 (03), P03002. DOI: http://dx.doi.org/10.1088/1748-0221/14/03/p03002
Averill M. Law, W. David Kelton. Simulation Modeling and Analysis. Third edition. McGraw-Hill. 2000. 760 pages.
Chang S. G., Bin Yu, Vetterl M. Adaptive wavelet thresholding for image denoising and compression. IEEE Transactions on Image Processing. 2000. Volume 9 (9). https://doi.org/10.1109/83.862633
GuoLiang Yu, JianZhong Gu, Long Hou, ZhenYu Li, YanZhao Wang & YiYun Zhang. Application of wavelet transform in γ-ray spectra analysis. Science China Physics, Mechanics and Astronomy. 2013. Volume 56, pages 1735–1739. https://doi.org/10.1007/s11433-013-5185-3
Khilkevitch E. M., Shevelev A. E., Chugunov I. N., Iliasova M. V., Doinikov, D. N., Gin D. B. et al. Advanced algorithms for signal processing scintillation gamma ray detectors at high counting rates. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2020. Volume 977, 164309. https://doi.org/10.1016/j.nima.2020.164309
Knoll G. F. Radiation Detection and Measurement. John Wiley & Sons. 2010. 864 pages.
Larman C. Applying UML and Patterns: An Introduction to Object-Oriented Analysis and Design and Iterative Development. Addison Wesley Professional. 2004. 736 pages.
Mallat S. A theory for multiresolution signal decomposition: the wavelet representation. IEEE Transactions on Pattern Analysis and Machine Intelligence. 1989. Volume 11, Issue 7, pages 674–693. https://doi.org/10.1109/34.192463
QT Framework Official Website. URL: https://www.qt.io/product/framework
Reva S. M., Tsybliyev D. O. Devising a computer method to recognize and analyze spectrometric signals parameters. Eastern-European Journal of Enterprise Technologies. 2024. 6(9 (132)), 86–96. https://doi.org/10.15587/1729-4061.2024.318558
Shevelev A. E., Khilkevitch E. M., Lashkul S. I., Rozhdestvensky V. V., Altukhov A. B., Chugunov I. N. et al. High performance gamma-ray spectrometer for runaway electron studies on the FT-2 tokamak. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2016. Volume 830, pp. 102–108. https://doi.org/10.1016/j.nima.2016.05.075
Vu Dang Hoang. Wavelet-based spectral analysis. TrAC Trends in Analytical Chemistry. 2014. Volume 62, pages 144–153. https://doi.org/10.1016/j.trac.2014.07.010
Wissam Jenkal, Rachid Latif, Ahmed Toumanari, Azzedine Dliou, Oussama El B’charri, Fadel M.R. Maoulainine. An efficient algorithm of ECG signal denoising using the adaptive dual threshold filter and the discrete wavelet transform. Biocybernetics and Biomedical Engineering. 2016. Volume 36, Issue 3, pp. 499–508. https://doi.org/10.1016/j.bbe.2016.04.001
Wolszczak W., Dorenbos P. Time-resolved gamma spectroscopy of single events. Nuclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2018. Volume 886, pp. 30–35. https://doi.org/10.1016/j.nima.2017.12.080
Zhiyuan Li, Jie Li, Yueting Zhang, Jiayi Guo, Yirong Wu. A Noise-Robust Blind Deblurring Algorithm with Wavelet-Enhanced Diffusion Model for Optical Remote Sensing Images. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 2024. Volume 17, pp. 16236–16254. https://doi.org/10.1109/JSTARS.2024.3422175
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
