ترجمه فارسی مقاله جستجوی زیرفضای پیش‌بینی شده گروهی برای بازسازی سیگنال پراکنده بلوک: تحلیل همگرایی و کاربردها

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Group Projected Subspace Pursuit for Block Sparse Signal Reconstruction: Convergence Analysis and Applications
عنوان مقاله به فارسی جستجوی زیرفضای پیش‌بینی شده گروهی برای بازسازی سیگنال پراکنده بلوک: تحلیل همگرایی و کاربردها
نویسندگان Roy Y. He, Haixia Liu, Hao Liu
فرمت مقاله انگلیسی PDF
تعداد صفحات 35
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Information Theory,Optimization and Control,Machine Learning,نظریه اطلاعات , بهینه سازی و کنترل , یادگیری ماشین ,
توضیحات Submitted 13 July, 2024; v1 submitted 1 June, 2024; originally announced July 2024. , Comments: 35 pages
توضیحات به فارسی ارسال شده 13 ژوئیه 2024 ؛V1 ارسال شده در 1 ژوئن 2024 ؛در ابتدا ژوئیه 2024 اعلام شد ، نظرات: 35 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In this paper, we present a convergence analysis of the Group Projected Subspace Pursuit (GPSP) algorithm proposed by He et al. [HKL+23] (Group Projected subspace pursuit for IDENTification of variable coefficient differential equations (GP-IDENT), Journal of Computational Physics, 494, 112526) and extend its application to general tasks of block sparse signal recovery. We prove that when the sampling matrix satisfies the Block Restricted Isometry Property (BRIP) with a sufficiently small Block Restricted Isometry Constant (BRIC), GPSP exactly recovers the true block sparse signals. When the observations are noisy, this convergence property of GPSP remains valid if the magnitude of true signal is sufficiently large. GPSP selects the features by subspace projection criterion (SPC) for candidate inclusion and response magnitude criterion (RMC) for candidate exclusion. We compare these criteria with counterparts of other state-of-the-art greedy algorithms. Our theoretical analysis and numerical ablation studies reveal that SPC is critical to the superior performances of GPSP, and that RMC can enhance the robustness of feature identification when observations contain noises. We test and compare GPSP with other methods in diverse settings, including heterogeneous random block matrices, inexact observations, face recognition, and PDE identification. We find that GPSP outperforms the other algorithms in most cases for various levels of block sparsity and block sizes, justifying its effectiveness for general applications.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله ، ما یک تجزیه و تحلیل همگرایی از الگوریتم پیش بینی شده زیر فضای گروه پیش بینی شده (GPSP) ارائه شده توسط او و همکاران ارائه می دهیم.[HKL+23] (پیگیری زیر فضای گروه پیش بینی شده برای شناسایی معادلات متغیر ضریب متغیر (GP-INDE) ، مجله فیزیک محاسباتی ، 494 ، 112526) و کاربرد آن را به کارهای کلی بازیابی سیگنال بلوک گسترش می دهد.ما ثابت می کنیم که وقتی ماتریس نمونه برداری خاصیت ایزومتری محدود شده بلوک (BRIP) را با یک ایزومتری محدود به اندازه کافی کوچک (BRIC) برآورده می کند ، GPSP دقیقاً سیگنال های پراکنده بلوک واقعی را بازیابی می کند.هنگامی که مشاهدات پر سر و صدا است ، اگر بزرگی سیگنال واقعی به اندازه کافی بزرگ باشد ، این خاصیت همگرایی GPSP معتبر است.GPSP ویژگی ها را با معیار طرح ریزی زیر فضای (SPC) برای معیار شمول نامزد و پاسخ (RMC) برای محرومیت از نامزد انتخاب می کند.ما این معیارها را با همتایان سایر الگوریتم های حریص پیشرفته مقایسه می کنیم.تجزیه و تحلیل نظری ما و مطالعات فرسایش عددی نشان می دهد که SPC برای عملکردهای برتر GPSP بسیار مهم است و RMC می تواند استحکام شناسایی ویژگی ها را افزایش دهد در هنگام مشاهدات حاوی سر و صدایی.ما GPSP را با سایر روشها در تنظیمات متنوع ، از جمله ماتریس های بلوک تصادفی ناهمگن ، مشاهدات غیرقابل توصیف ، تشخیص چهره و شناسایی PDE آزمایش و مقایسه می کنیم.ما می دانیم که GPSP در بیشتر موارد برای سطوح مختلف اندازه بلوک و اندازه بلوک از الگوریتم های دیگر بهتر عمل می کند و اثربخشی آن را برای برنامه های عمومی توجیه می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.