数学 > 数值分析
[提交于 2025年1月8日
]
标题: 通过特征矩阵在未知噪声水平下的稀疏自由去卷积
标题: Sparse free deconvolution under unknown noise level via eigenmatrix
摘要: 本文研究了在未知噪声水平下稀疏谱测度的谱估计问题。 主要的技术工具是求解非结构化稀疏恢复问题的特征矩阵方法。当噪声水平确定时,自由去卷积将问题简化为一个可以应用特征矩阵方法的非结构化稀疏恢复问题。为了确定未知的噪声水平,我们基于特征矩阵方法中的中间矩阵的奇异值提出了一个优化问题。 数值结果展示了加性自由去卷积和乘性自由去卷积的效果。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.