Fugu-MT 論文翻訳(概要): Finite Hilbert Transform in Weighted L2 Spaces

論文の概要: Finite Hilbert Transform in Weighted L2 Spaces

arxiv url: http://arxiv.org/abs/2002.02071v2
Date: Tue, 11 Feb 2020 03:47:58 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 09:54:01.341415
Title: Finite Hilbert Transform in Weighted L2 Spaces
Title（参考訳）: 重み付きL2空間における有限ヒルベルト変換
Authors: Jason You
Abstract要約: mu が実数の場合、強制性は導出され、2つの反復列が逆数を見つけるために構築される。提案配列は |eta|pi/4 の純虚数定数 mu=i*eta に適用できる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Several new properties of weighted Hilbert transform are obtained. If mu is zero, two Plancherel-like equations and the isotropic properties are derived. For mu is real number, a coerciveness is derived and two iterative sequences are constructed to find the inversion. The proposed iterative sequences are applicable to the case of pure imaginary constant mu=i*eta with |eta|<pi/4 . For mu=0.0 and 3.0 , we present the computer simulation results by using the Chebyshev series representation of finite Hilbert transform. The results in this paper are useful to the half scan in several imaging applications.
Abstract（参考訳）: 重み付きヒルベルト変換のいくつかの新しい性質が得られた。 mu が 0 ならば、2つのプランシェレル様方程式と等方性性質が導かれる。 mu が実数であれば、強制性を導出し、2つの反復列を構築して反転を求める。提案した反復列は |eta|<pi/4 の純虚数定数 mu=i*eta の場合に適用できる。 mu=0.0および3.0の場合、有限ヒルベルト変換のチェビシェフ級数表現を用いて計算機シミュレーション結果を示す。本論文は, いくつかのイメージング応用において, ハーフスキャンに有用である。

関連論文リスト

Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文参考訳（メタデータ） (2024-04-29T15:04:07Z)
Deep Fourier Up-Sampling [100.59885545206744]
フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
論文参考訳（メタデータ） (2022-10-11T06:17:31Z)
The finite Fourier Transform and projective 2-designs [0.0]
1986年にバリアンとイツィクソンが素次元 d = 3 (mod 4) に対して与えた解は再検討される。この固有ベクトル基底にワイル・ハイゼンベルク行列を適用することにより、射影2-設計が生成される。
論文参考訳（メタデータ） (2022-07-20T14:06:01Z)
Kullback-Leibler and Renyi divergences in reproducing kernel Hilbert space and Gaussian process settings [0.0]
正規化Kullback-LeiblerとR'enyiの発散をAlpha Log-Det(Log-Det)発散により定式化する。特徴的核について、最初の設定は、完全可分な距離空間上の任意のボレル確率測度の間の分岐をもたらす。我々は、Alpha Log-Detの発散がヒルベルト-シュミットノルムにおいて連続であることを示し、ヒルベルト空間値の確率変数に対して大数の法則を適用することができる。
論文参考訳（メタデータ） (2022-07-18T06:40:46Z)
Unified Fourier-based Kernel and Nonlinearity Design for Equivariant Networks on Homogeneous Spaces [52.424621227687894]
等質空間上の群同変ネットワークに対する統一的枠組みを導入する。昇降した特徴場のフーリエ係数の空間性を利用する。安定化部分群におけるフーリエ係数としての特徴を取り扱う他の方法が、我々のアクティベーションの特別な場合であることを示す。
論文参考訳（メタデータ） (2022-06-16T17:59:01Z)
The Franke-Gorini-Kossakowski-Lindblad-Sudarshan (FGKLS) Equation for Two-Dimensional Systems [62.997667081978825]
開量子系は、FGKLS(Franke-Gorini-Kossakowski-Lindblad-Sudarshan)方程式に従うことができる。我々はヒルベルト空間次元が 2$ である場合を徹底的に研究する。
論文参考訳（メタデータ） (2022-04-16T07:03:54Z)
Dimension-free entanglement detection in multipartite Werner states [1.5771347525430772]
ワーナー状態(英: Werner state)は、ユニタリ群の対角共役作用の下で不変な多部量子状態である。本稿では,基礎となる局所空間に依存しない絡み合いの完全な特徴付けを与える。すべての絡み合ったヴェルナー状態には、次元のない絡み合いの証人が存在する。
論文参考訳（メタデータ） (2021-08-19T14:41:09Z)
Neural Networks are Convex Regularizers: Exact Polynomial-time Convex Optimization Formulations for Two-layer Networks [70.15611146583068]
我々は、線形整列ユニット(ReLU)を用いた2層ニューラルネットワークのトレーニングの正確な表現を開発する。我々の理論は半無限双対性と最小ノルム正規化を利用する。
論文参考訳（メタデータ） (2020-02-24T21:32:41Z)
Truncated Hilbert Transform: Uniqueness and a Chebyshev series Expansion Approach [0.0]
コンパクトなサポートを持つ函数とその切り離されたヒルベルト変換が同じ区間で知られているとき、より強い一意性の結果が導かれる。歪んだヒルベルト変換から関数を見つけるために、チェビシェフ級数でそれらを表現し、係数を数値的に推定する2つの方法を提案する。
論文参考訳（メタデータ） (2020-02-06T02:26:19Z)
A refinement of Reznick's Positivstellensatz with applications to quantum information theory [72.8349503901712]
ヒルベルトの17番目の問題において、アルティンはいくつかの変数の任意の正定値が2つの平方和の商として書けることを示した。レズニックはアルティンの結果の分母は常に変数の平方ノルムの$N$-次パワーとして選択できることを示した。
論文参考訳（メタデータ） (2019-09-04T11:46:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。