Spelling suggestions: "subject:"convolution."" "subject:"convolutional.""
41 |
Implementation of a forward error correction technique using convolutional encoding with Viterbi decodingRawat, Sachin. January 2004 (has links)
Thesis (M.S.)--Ohio University, March, 2004. / Title from PDF t.p. Includes bibliographical references (p. 90-91)
|
42 |
Linear dynamical systems with abstract state-spaces.Monauni, Luigi Angelo January 1978 (has links)
Thesis. 1978. Ph.D.--Massachusetts Institute of Technology. Dept. of Electrical Engineering and Computer Science. / MICROFICHE COPY AVAILABLE IN ARCHIVES AND ENGINEERING. / Includes bibliographical references. / Ph.D.
|
43 |
Conditional Dilated Attention Tracking Model - C-DATMHighlander, Tyler Clayton 02 August 2019 (has links)
No description available.
|
44 |
La stabilité de l'espace des suites de carré sommable par rapport au produit de convolutionMorneau-Guérin, Frédéric 28 October 2019 (has links)
Étant donné G un groupe topologique localement compact, il est bien connu que l’espace L1(G) des fonctions absolument intégrables sur G est stable par rapport au produit de convolution et jouit même d’une structure d’algèbre de Banach. Mais il en va tout autrement pour les espaces Lp(G) avec p > 1 : le théorème de Saeki stipule que l’espace Lp(G) est stable par rapport au produit de convolution si et seulement si G est compact. Il existe cependant une façon d’infléchir le résultat dans un sens qui nous agrée : en modifiant la définition des normes k kp afin d’y introduire une pondération, à savoir une fonction w : G ! (0; 1), on peut parfois faire en sorte que l’espace ainsi obtenu – qu’on appelle l’espace w-pondéré des fonctions Lp(G) et qu’on note Lp(G; w) – soit stable par rapport au produit de convolution. Cette démarche soulève toutefois deux questions importantes : — Pour p > 1 fixé, quels sont les groupes topologiques localement compacts admettant au moins une pondération pour laquelle Lp(G; w) est stable par rapport au produit de convolution ? — Étant donné un tel groupe G, qu’est-ce qui caractérise les pondérations w : G ! (0; 1) pour lesquelles Lp(G; w) est stable par rapport au produit de convolution ? Bien qu’on ne dispose pas à ce jour de réponses complètes et définitives à ces deux questions, nous passerons en revue quelques récents progrès, sans prétendre à l’exhaustivité. Notre attention se focalisera principalement sur un problème émanant de la deuxième question : il est établi que toute pondération jouissant de la propriété nommée sous-convolutivité au sens faible donne lieu à un espace Lp(G; w) qui est stable par rapport au produit de convolution. Mais on connait désormais de nombreux exemples montrant que cette condition suffisante n’est pas nécessaire en général. Il existe cependant un type de groupes pour lequel la possibilité demeure que la sous-convolutivité au sens faible représente effectivement une caractérisation complète. Il s’agit des groupes abéliens discrets. La présente thèse de doctorat vise à élaborer de nouvelles approches pour aborder la question quant à savoir si, oui ou non, la sous-convolutivité au sens faible est une condition nécessaire et suffisante pour garantir la stabilité de Lp(G; w) par rapport au produit de convolution dans le cas particulier où G est un groupe abélien discret et p = 2. Dans la première partie de cette thèse, nous interprétons cette question à la lumière de la théorie des espaces de Hilbert à noyau reproduisant et obtiendrons une preuve substantiellement différente d’un résultat de Kuznetsova. La seconde partie de la thèse est consacrée à la reformulation de la question principale dans le cadre de la théorie des opérateurs. Ce faisant, nous formulons encore une autre démonstration significativement différente du théorème de Kuznetsova. L’approche développée nous permet également l’obtention d’estimations originales et celles-ci sont présentées en détail. / 354402\u Given a locally compact topological group G, it is widely known that L1(G), the space of absolutely integrable functions on G, is an algebra with respect to the operation of convolution. For any given Lp(G) space with p > 1, though, the situation is emphatically different: a theorem of Saeki states that Lp(G) is a convolution algebra if and only if G is compact. If we introduce within the definition of the Lp-norm a weight function w : G ! (0; 1), we obtain a new function space called the w-weighted Lp-space and denoted by Lp(G; w). By defining the weight function carefully, Lp(G; w) can be made to be stable with respect to convolution even though G is non-compact. However, this raises two fundamental questions: — Given p > 1, what are the locally compact topological groups G on which there exists a weight w such that Lp(G; w) is stable with respect to convolution? — Given such a group G, what condition(s) does w : G ! (0; 1) need to verify in order for Lp(G; w) to be stable with respect to convolution? Thus far, these questions remain unsolved. We shall discuss in detail some partial answers available in the literature, whilst not claiming to be exhaustive. We will be focusing mainly on a problem arising from the second question: it has been established that any weakly subconvolutive weight causes Lp(G; w) to be stable with respect to convolution. But there are numerous examples showing that this sufficient condition is not necessary. There is, however, a type of group, viz. the discrete abelian groups, for which there remains a possibility that weak sub-convolutivity truly characterizes those weights entailing the stability of the Lp-space of functions with respect to convolution. In this thesis, we aim to elaborate new approaches to determine whether the weak subconvolutivity is a necessary and sufficient condition guaranteeing the stability of Lp(G; w) with respect to convolution in the particular case of discrete abelian groups and for p = 2. In the first part of this thesis, we reinterpret this question in light of the theory of reproducing kernel Hilbert spaces, and we obtain a substantially different proof of a theorem of Kuznetsova. The second part of the thesis is devoted to revisiting the main question, but this time, we rephrase it in the context of the operator theory. In doing so, we derive yet another proof of Kuznetsova’s theorem as well as an original estimate.
|
45 |
Surface related multiple prediction from incomplete dataHerrmann, Felix J. January 2007 (has links)
Incomplete data, unknown source-receiver signatures and free-surface reflectivity represent
challenges for a successful prediction and subsequent removal of multiples. In
this paper, a new method will be represented that tackles these challenges by combining
what we know about wavefield (de-)focussing, by weighted convolutions/correlations,
and recently developed curvelet-based recovery by sparsity-promoting inversion (CRSI).
With this combination, we are able to leverage recent insights from wave physics towards
a nonlinear formulation for the multiple-prediction problem that works for incomplete
data and without detailed knowledge on the surface effects.
|
46 |
Towards Interpretable and Reliable Deep Neural Networks for Visual IntelligenceXie, Ning 06 August 2020 (has links)
No description available.
|
47 |
Stochastic Invariance and Stochastic Volterra Equations / Invariance stochastique et équations stochastiques de VolterraAbi Jaber, Eduardo 18 October 2018 (has links)
La présente thèse traite de la théorie des équations stochastiques en dimension finie. Dans la première partie, nous dérivons des conditions géométriques nécessaires et suffisantes sur les coefficients d’une équation différentielle stochastique pour l’existence d’une solution contrainte à rester dans un domaine fermé, sous de faibles conditions de régularité sur les coefficients.Dans la seconde partie, nous abordons des problèmes d’existence et d’unicité d’équations de Volterra stochastiques de type convolutif. Ces équations sont en général non-Markoviennes. Nous établissons leur correspondance avec des équations en dimension infinie ce qui nous permet de les approximer par des équations différentielles stochastiques Markoviennes en dimension finie.Enfin, nous illustrons nos résultats par une application en finance mathématique, à savoir la modélisation de la volatilité rugueuse. En particulier, nous proposons un modèle à volatilité stochastique assurant un bon compromis entre flexibilité et tractabilité. / The present thesis deals with the theory of finite dimensional stochastic equations.In the first part, we derive necessary and sufficient geometric conditions on the coefficients of a stochastic differential equation for the existence of a constrained solution, under weak regularity on the coefficients. In the second part, we tackle existence and uniqueness problems of stochastic Volterra equations of convolution type. These equations are in general non-Markovian. We establish their correspondence with infinite dimensional equations which allows us to approximate them by finite dimensional stochastic differential equations of Markovian type. Finally, we illustrate our findings with an application to mathematical finance, namely rough volatility modeling. We design a stochastic volatility model with an appealing trade-off between flexibility and tractability.
|
48 |
WürfelzwillingNürnberger, Johannes 17 November 2023 (has links)
Die Durchdringung von Kuben ist in den vergangenen Jahren eines meiner Themen. Ausgehend von platonischen Körpern bildet der Tetraeder die “Stella Octangula“ aus zwei Tetraedern. Den doppelten Kubus habe ich bei der Zirkelkonstruktion der Blume des Lebens entdeckt. Durch abwechselnde Faltung des Zeichenblattes durch den Mittelpunkt, entlang der Linien zu den Ecken des Sechsecks, entfaltet sich ein Stern. Zwei Sterne fügen sich zu zwei Würfeln. Aus einer “BdL“ lassen sich die Pyramide, Ikosaeder, Tetraeder und ein Fünfeck ablesen. Die Verbindung von zwei BdL-Konstruktionen lässt einen Doppelwürfel entstehen. Zwei Würfel beinhalten eine regelmäßige hexagonale Fäche. Die Außenmaße sind in einem Würfel enthalten.
|
49 |
Deep learning on attributed graphs / L'apprentissage profond sur graphes attribuésSimonovsky, Martin 14 December 2018 (has links)
Le graphe est un concept puissant pour la représentation des relations entre des paires d'entités. Les données ayant une structure de graphes sous-jacente peuvent être trouvées dans de nombreuses disciplines, décrivant des composés chimiques, des surfaces des modèles tridimensionnels, des interactions sociales ou des bases de connaissance, pour n'en nommer que quelques-unes. L'apprentissage profond (DL) a accompli des avancées significatives dans une variété de tâches d'apprentissage automatique au cours des dernières années, particulièrement lorsque les données sont structurées sur une grille, comme dans la compréhension du texte, de la parole ou des images. Cependant, étonnamment peu de choses ont été faites pour explorer l'applicabilité de DL directement sur des données structurées sous forme des graphes. L'objectif de cette thèse est d'étudier des architectures de DL sur des graphes et de rechercher comment transférer, adapter ou généraliser à ce domaine des concepts qui fonctionnent bien sur des données séquentielles et des images. Nous nous concentrons sur deux primitives importantes : le plongement de graphes ou leurs nœuds dans une représentation de l'espace vectorielle continue (codage) et, inversement, la génération des graphes à partir de ces vecteurs (décodage). Nous faisons les contributions suivantes. Tout d'abord, nous introduisons Edge-Conditioned Convolutions (ECC), une opération de type convolution sur les graphes réalisés dans le domaine spatial où les filtres sont générés dynamiquement en fonction des attributs des arêtes. La méthode est utilisée pour coder des graphes avec une structure arbitraire et variable. Deuxièmement, nous proposons SuperPoint Graph, une représentation intermédiaire de nuages de points avec de riches attributs des arêtes codant la relation contextuelle entre des parties des objets. Sur la base de cette représentation, l'ECC est utilisé pour segmenter les nuages de points à grande échelle sans sacrifier les détails les plus fins. Troisièmement, nous présentons GraphVAE, un générateur de graphes permettant de décoder des graphes avec un nombre de nœuds variable mais limité en haut, en utilisant la correspondance approximative des graphes pour aligner les prédictions d'un auto-encodeur avec ses entrées. La méthode est appliquée à génération de molécules / Graph is a powerful concept for representation of relations between pairs of entities. Data with underlying graph structure can be found across many disciplines, describing chemical compounds, surfaces of three-dimensional models, social interactions, or knowledge bases, to name only a few. There is a natural desire for understanding such data better. Deep learning (DL) has achieved significant breakthroughs in a variety of machine learning tasks in recent years, especially where data is structured on a grid, such as in text, speech, or image understanding. However, surprisingly little has been done to explore the applicability of DL on graph-structured data directly.The goal of this thesis is to investigate architectures for DL on graphs and study how to transfer, adapt or generalize concepts working well on sequential and image data to this domain. We concentrate on two important primitives: embedding graphs or their nodes into a continuous vector space representation (encoding) and, conversely, generating graphs from such vectors back (decoding). To that end, we make the following contributions.First, we introduce Edge-Conditioned Convolutions (ECC), a convolution-like operation on graphs performed in the spatial domain where filters are dynamically generated based on edge attributes. The method is used to encode graphs with arbitrary and varying structure.Second, we propose SuperPoint Graph, an intermediate point cloud representation with rich edge attributes encoding the contextual relationship between object parts. Based on this representation, ECC is employed to segment large-scale point clouds without major sacrifice in fine details.Third, we present GraphVAE, a graph generator allowing to decode graphs with variable but upper-bounded number of nodes making use of approximate graph matching for aligning the predictions of an autoencoder with its inputs. The method is applied to the task of molecule generation
|
50 |
Viana maps and limit distributions of sums of point measuresSchnellmann, Daniel 17 December 2009 (has links) (PDF)
This thesis consists of five articles mainly devoted to problems in dynamical systems and ergodic theory. We consider non-uniformly hyperbolic two dimensional systems and limit distributions of point measures which are absolutely continuous with respect to the Lebesgue measure. Let $f_{a_0}(x)=a_0-x^2$ be a quadratic map where the parameter $a_0\in(1,2)$ is chosen such that the critical point $0$ is pre-periodic (but not periodic). In Papers A and B we study skew-products $(\th,x)\mapsto F(\th,x)=(g(\th),f_{a_0}(x)+\al s(\th))$, $(\th,x)\in S^1\times\real$. The functions $g:S^1\to S^1$ and $s:S^1\to[-1,1]$ are the base dynamics and the coupling functions, respectively, and $\al$ is a small, positive constant. Such quadratic skew-products are also called Viana maps. In Papers A and B we show for several choices of the base dynamics and the coupling function that the map $F$ has two positive Lyapunov exponents and for some cases we further show that $F$ admits also an absolutely continuous invariant probability measure. In Paper C we consider certain Bernoulli convolutions. By showing that a specific transversality property is satisfied, we deduce absolute continuity of the to these Bernoulli convolutions associated distributions. In Papers D and E we consider sequences of real numbers in the unit interval and study how they are distributed. The sequences in Paper D are given by the forward iterations of a point $x\in[0,1]$ under a piecewise expanding map $T_a:[0,1]\to[0,1]$ depending on a parameter $a$ contained in an interval $I$. Under the assumption that each $T_a$ admits a unique absolutely continuous invariant probability measure $\mu_a$ and that some technical conditions are satisfied, we show that the distribution of the forward orbit $T_a^j(x)$, $j\ge1$, is described by the distribution $\mu_a$ for Lebesgue almost every parameter $a\in I$. In Paper E we apply the ideas in Paper D to certain sequences which are equidistributed in the unit interval and give a geometrical proof of an old result by Koksma.
|
Page generated in 0.0817 seconds