Stabilität in der Phasenrückgewinnung: Charakterisierung von Konditionszahlen und dem optimalen Vektorsatz
Es gibt eine universelle untere Schranke für die Konditionszahl der Phasenrückgewinnung, die asymptotisch optimal ist. Außerdem ist der harmonische Rahmen in R2 der optimale Messmatrixsatz für die Phasenrückgewinnung.
Die optimale Fehlergenauigkeit des ESPRIT-Algorithmus unter hohem Rauschen
Der ESPRIT-Algorithmus kann unter bestimmten Annahmen über Verzerrung und hohes Rauschen eine deutlich verbesserte Fehlergenauigkeit von e^O(n^-1.5) erreichen, was über die Nyquist-Fehlergenauigkeit hinausgeht.
Iterative Fourier-basierte Signalentzerrung zur Erkennung periodischer Spike-Signale
Eine Familie iterativer Algorithmen, die die wiederholte Ausführung diskreter und inverser diskreter Fourier-Transformationen nutzt, kann effektiv periodische Spike-Signale in verrauschten Daten erkennen und extrahieren.
Ein schneller und beweisbarer Algorithmus für die dünnbesetzte Phasenrückgewinnung
Wir schlagen einen innovativen Algorithmus zweiter Ordnung vor, der eine Newton-artige Methode mit hartem Schwellenwertverfahren verwendet. Dieser Algorithmus überwindet die linearen Konvergenzlimitierungen von Methoden erster Ordnung, während er deren Effizienz pro Iteration beibehält. Wir liefern theoretische Garantien, dass unser Algorithmus die s-dünnbesetzte Grundwahrheit x♮ (bis auf ein globales Vorzeichen) mit einer quadratischen Konvergenzrate nach höchstens O(log(∥x♮∥/x♮ min)) Iterationen erreicht, unter Verwendung von Ω(s2 log n) Gauß'schen Zufallsproben.
Effiziente Wiederherstellung spektral dünnbesetzter Signale durch symmetrische Hankel-Faktorisierung
Durch die Verwendung einer symmetrischen Faktorisierung des Hankel-Matrices kann ein neues, effizientes nichtkonvexes Gradientenverfahren (SHGD) zur Wiederherstellung spektral dünnbesetzter Signale entwickelt werden, das die Rechenzeit und den Speicherbedarf im Vergleich zu bisherigen Methoden deutlich reduziert.
Selbstüberwachtes Lernen zur Schätzung von Kovarianzmatrizen
Das Ziel dieses Papiers ist es, ein Deep-Learning-Framework zur effizienten Schätzung von Kovarianzmatrizen vorzuschlagen, das auf selbstüberwachtem Lernen basiert und globale Merkmale automatisch ausnutzt, ohne Verteilungsannahmen oder Regularisierung zu benötigen.
Verteilte Arithmetik zur Optimierung von Adaptiven Filteralgorithmen: Trends, Herausforderungen und Zukunftsaussichten
Die Anwendung von verteilter Arithmetik (DA) in Adaptiven Filteralgorithmen (AF) hat in den letzten Jahren erhebliche Aufmerksamkeit erlangt, da sie das Potenzial hat, die Recheneffizienz zu steigern und den Ressourcenbedarf zu reduzieren.
Bewertung der Rechenkomplexität von Neuralen Netzwerk-Anwendungen in der Signalverarbeitung
Effiziente Reduzierung der Rechenkomplexität von Neuralen Netzwerk-Equalizern für Echtzeit-Signalverarbeitung.
Effizienter Dual-Scale Generalisierter Radon-Fourier-Transformationsdetektor für langfristige kohärente Integration
Effiziente Dual-Scale-Parameterzerlegung zur Verbesserung der LTCI-Leistung.
Spektrale Darstellung von zweiseitigen Signalen aus ℓ∞ und Anwendungen in der Signalverarbeitung
Die Arbeit präsentiert eine spektrale Darstellung für allgemeine zweiseitige diskrete Zeitsignale aus ℓ∞ und erweitert die Begriffe von Transferfunktionen, Spektrallücken und Filtern auf diese Signale.
© 2024 by Linnk AI