23693

PHY2 783

كارشناسي ارشد

فوتونيك

فيزيك

1402/11/10

83 ص.

عليرضا خورسندي

بيناب نمايي جذبي ليزري , حذف نوفه , يادگيري عميق , خودرمزگذار

يكي از عوامل مخرب در تشخيص جزييات سيگنال، وجود نوفه در سيگنال‌هاي خروجي است. روش‌هاي مختلفي در حذف نوفه سيگنال ارايه شده‌اند كه با حفظ جزييات، نوفه را به شكل مناسبي حذف مي‌كنند اما حجم محاسبات بعضي از اين روش‌ها چالش برانگيز است. مسئله اصلي اين پژوهش آن است كه بررسي كنيم با تمركز بر استفاده از الگوريتم يادگيري عميق و شبكه‌ي خودرمزگذار نوفه‌زدايي از يك سيگنال شبيه‌سازي شده و يك سيگنال بدست آمده از آزمايش تجربي چقدر امكان پذير است. كارايي شبكه خودرمزگذار ابتدا با حذف نوفه‌ي بيناب شبيه سازي شده‌ي يك خط جذبي مولكول CO_2 مورد بررسي قرار گرفت. نتايج به دست آمده بعد از محاسبه مقادير سيگنال به نوفه و پارامتر فاصله براي خروجي‌هاي به دست آمده از شبكه، نشان مي‌دهند كه اين روش مي‌تواند سيگنال جذبي را به خوبي بازيابي كند. سپس توانايي اين روش را در بازيابي بيناب همان خط جذبي كه به صورت آزمايشگاهي در ناحيه NIR با استفاده از يك ليزر DFB رديابي شده بود، مورد بررسي قرار داده‌ايم و نتايج به دست آمده ارزش اين روش را به منظور حذف نوفه تاييد مي‌كند.

laser absorption spectroscopy , Signal Denoising , Deep Learning , Auto encoder

Retrieving and identifying the spectroscopic signals from the noise using machine learning technique

فيزيك

One of the destructive factors in detecting the details of the signal is the presence of noise in the output. Various methods have been provided to remove the noise from the signal, which remove the noise in way while maintaining the details. But the volume of calculations of some of these methods is challenging. The main problem of this reaserch is to check how much it is possible to denoise a simulated signal and a signal obtained from an experiment by focusing on the use of deep learning algorithm and autoencoder network.

4