BEADS联合解决了同时对1D信号进行基线/趋势/漂移校正和(高斯，泊松)降噪的问题。针对分析化学中出现的正稀疏信号:色谱、拉曼光谱、红外、XRD、质谱等)而设计。基线对应于缓慢变化的趋势、仪器漂移或背景偏移。所提出的BEADS基线滤波算法是基于将一系列(色谱)峰建模为大部分正的、稀疏的微分和稀疏的导数，并将基线建模为低通信号。为了封装这些非参数模型，提出了一个凸优化问题。为了解释色谱峰的阳性，一个类似于正则化l1范数的非对称惩罚函数被利用。一种鲁棒的、计算效率高的迭代算法被开发出来，保证收敛到唯一的最优解。它实现了由Xiaoran Ning, Ivan W. Selesnick, Laurent Duval发表在《chemomeics and Intelligent Laboratory Systems》2014年12月的论文《色谱基线估计和使用稀疏性(BEADS)去噪》中的方法。http://dx.doi.org/10.1016/j.chemolab.2014.09.014
ZIP文件包含两个Matlab函数:
演示脚本(example.m);
* main函数(珠子.m)，
和一个HTML自述帮助。
此后，BEADS已被应用于1D和2D (GCxGC)色谱、拉曼光谱、天文高光谱数据的高分辨率质谱、脑电图(EEG)、心电图(ECG)、阿拉伯文字分析、电力信号去趋势监测等领域。其他的使用，在Python, R和c++的实现在珠子页面提供:
http://www.laurent-duval.eu/siva-beads-baseline-background-removal-filtering-sparsity.html