乔瓦尼·S·阿尔贝蒂。;伊夫斯·卡德博斯克;扬尼克·普里瓦特 关于反问题的随机稳定常数。 （英语） Zbl 1487.35434号 数学。工程师（斯普林菲尔德） 2，第2期，264-286（2020）. 摘要：本文引入抽象反问题的随机稳定常数，作为随机可观测性常数的推广，该常数是在线性波动方程可观测性不等式的背景下研究的。我们研究了随机稳定常数的主要性质，并讨论了实际反演的含义，这并不简单。 引用于2文件 MSC公司： 35兰特 PDE的反问题 35L20英寸 二阶双曲方程的初边值问题 93个B07 可观察性 关键词：反问题;可观测性常数;压缩感知;被动成像;规则化;随机化;深度学习;电阻抗断层成像 PDF格式BibTeX公司 XML格式引用 \textit{G.S.Alberti}等人，数学。Eng.（Springfield）2，No.2，264--286（2020；Zbl 1487.35434） 全文： 内政部 arXiv公司 OA许可证 参考文献： [1] Akhtar N。；Mian A.，《对抗性攻击对计算机视觉深度学习的威胁：一项调查》，IEEE Access，614410-14430（2018）·doi:10.1109/ACCESS.2018.2807385 [2] 阿尔伯蒂省GS；Capdeboscq Y.，《混合反问题的椭圆方法讲座》，巴黎：法国数学学会（2018）·Zbl 1391.35002号 [3] Ammari H.，《新兴生物医学成像数学导论》，柏林：施普林格出版社（2008）·Zbl 1181.92052号 [4] Ammari H。；加尼尔J。；康宏。；等，《多波医学成像：数学建模与成像重建》，世界科学（2017） [5] Antholzer S。；哈尔特迈耶·M。；Schwab J.，从稀疏数据进行光声层析成像的深度学习，逆向问题科学工程，27987-1005（2018）·Zbl 1465.94008号 [6] 安顿五世。；雷纳·F。；Poon C。；等，《图像重建中深度学习的不稳定性——人工智能是否有代价》。arXiv预打印arXiv:1902.05300。(2019) [7] 阿里奇·S。；Hauptmann A.，成像中非线性扩散问题的网络，J Math imaging Vis DOI:https://xs.scihub.ltd/https://doi.org/10.1007/s10851-019-00901-3. (2019) ·Zbl 1434.68496号 [8] 巴多斯C。；勒布·G。；劳赫J.，从边界观察、控制和稳定波浪的夏普充分条件，SIAM J control Optim，301024-1065（1992）·Zbl 0786.93009号 ·doi:10.1137/0330055 [9] 伯格·J。；Nyström K.，偏微分方程的神经网络增广逆问题，arXiv预印本arXiv:1712.09685。(2017) [10] 布巴TA；Kutyniok G.公司。；拉萨斯·M。；等人，《学习无形：有限角度计算机断层成像的混合深度学习-小脑框架》，《逆问题》，35，064002（2019）·Zbl 1416.92099号 ·doi:10.1088/1361-6420/ab10ca [11] Burq N.，色散偏微分方程的随机数据Cauchy理论，In:《国际数学家大会论文集》，新德里：印度斯坦图书局，1862-1883（2010）·Zbl 1230.35066号 [12] Burq N。；Tzvetkov N.，超临界波动方程的随机数据Cauchy理论II：整体存在性结果，《发明数学》，173477-496（2008）·Zbl 1187.35233号 ·doi:10.1007/s00222-008-0123-0 [13] Burq N。；Tzvetkov N.，三次波动方程的概率适定性，《欧洲数学学会杂志》，16，1-30（2014）·Zbl 1295.35387号 ·doi:10.4171/JEMS/426 [14] 加拿大EJ；Romberg J.，《压缩采样中的稀疏性和不相干》，《逆问题》，23969-985（2007）·邮编1120.94005 ·doi:10.1088/0266-5611/23/3/008 [15] 坎迪斯EJ；隆伯格J。；Tao T.，鲁棒不确定性原理：从高度不完整的频率信息中精确重建信号，IEEE Trans Inform Theory，52，489-509（2006）·Zbl 1231.94017号 ·doi:10.1109/TIT.2005.862083 [16] Donoho DL，压缩传感，IEEE Trans Inform Theory，521289-1306（2006）·Zbl 1288.94016号 ·doi:10.1109/TIT.2006.871582 [17] 英语HW；汉克·M。；Neubauer A.，反问题的正则化，Dordrecht:Kluwer学术出版集团（1996）·Zbl 0859.65054号 [18] 冯杰。；孙奇。；李忠。；等，基于反向传播神经网络的漫反射光学层析成像重建算法，《生物医学光学杂志》，24，051407（2018） [19] 福卡特S。；Rauhut H.，《压缩传感数学导论》，纽约：Birkhäuser/Springer（2013）·Zbl 1315.94002号 [20] Garnier J。；Papanicolaou G.，《环境噪声被动成像》，剑桥：剑桥大学出版社（2016）·Zbl 1352.86001号 [21] 古德费罗一世。；本吉奥·Y。；Courville A.，深度学习，麻省理工学院出版社（2016）·Zbl 1373.68009号 [22] Haltmeier M.公司。；Antholzer S。；Schwab J.，图像重建深度学习，世界科学（2019） [23] 汉密尔顿SJ；Hauptmann A.，Deep d-bar：利用深度神经网络进行实时电阻抗断层成像，IEEE Trans-Med imaging，372367-2377（2018）·doi:10.1109/TMI.2018.2828303 [24] 哈萨诺卢AH；Romanov VG，微分方程反问题导论，Cham:Springer（2017）·Zbl 1385.65053号 [25] 豪普特曼A。；Lucka F。；Betcke M。；等人，《基于模型的加速有限视野三维光声层析成像学习》，IEEE Trans Med Imaging，37，1382-1393（2018）·doi:10.1010/TMI.2018.2820382 [26] 亨伯特·E。；Y私人。；Trélat E.，封闭流形上齐次波动方程的可观测性，Commun Part Diff Eq，44，749-772（2019）·Zbl 1429.35144号 ·doi:10.1080/03605302.2019.1581799 [27] Isakov V.，偏微分方程反问题，纽约：Springer（2006）·Zbl 1092.35001号 [28] Jin KH；麦肯MT；弗鲁斯特伊·E。；等人，成像逆问题的深度卷积神经网络，IEEE Trans-Image Process，264509-4522（2017）·Zbl 1409.94275号 ·doi:10.1109/TIP.2017.2713099 [29] Kaltenbacher B。；Neubauer A.公司。；Scherzer O.，非线性不适定问题的迭代正则化方法，柏林：Walter de Gruyter（2008）·Zbl 1145.65037号 [30] Kirsch A.，《反问题数学理论导论》，纽约：Springer（2011）·Zbl 1213.35004号 [31] 劳伦特·C。；Léautaud M.，部分解析系数算子的定量唯一延拓，在波浪近似控制中的应用。《欧洲数学学会杂志》，21957-1069（2019）·Zbl 1428.35066号 [32] Maass P.，琐碎逆问题的深度学习，In:Compressed Sensing and Its Applications，Cham:Springer International Publishing，195-209（2019）·Zbl 1496.68287号 [33] 马丁·S。；Choi CTM，三维电阻抗断层扫描的后处理方法，Sci Rep，77212（2017）·doi:10.1038/s41598-017-07727-2 [34] 莫丁·K。；纳奇曼A。；Rondi L.，图像配准和非线性逆问题的多尺度理论，Adv Math，3461009-1066（2019）·Zbl 1417.68268号 ·doi:10.1016/j.aim.2019.02.014 [35] Paley R.，《关于一些函数系列》，《剑桥数学程序》，26，458-474（1930）·doi:10.1017/S0305004100016212 [36] Paley R。；Zygmund A.，《关于函数系列》，（1），《剑桥数学程序》，26，337-357（1930）·doi:10.1017/S0305004100016078 [37] Paley R。；Zygmund A.，《关于一些函数系列》，（3），剑桥数学学报，28190-205（1932）·doi:10.1017/S0305004100010860 [38] Y私人。；Trélat E。；Zuazua E.，一维波动方程的最佳观测，傅里叶分析应用杂志，19，514-544（2013）·Zbl 1302.93052号 ·doi:10.1007/s00041-013-9267-4 [39] Y私人。；Trélat E。；Zuazua E.，随机初始数据抛物方程传感器的最佳形状和位置，Arch Ration Mech An，216921-981（2015）·Zbl 1319.35272号 ·doi:10.1007/s00205-014-0823-0 [40] Y私人。；Trélat E。；Zuazua E.，量子遍历域中多维波和薛定谔方程的最佳可观测性，《欧洲数学学报》，18，1043-1111（2016）·Zbl 1338.35320号 ·doi:10.4171/JEMS/608 [41] Y私人。；Trélat E。；Zuazua E.，波的随机观测、控制和稳定【基于2015年3月24日在意大利莱切举行的第86届GAMM年会上的全体演讲】，ZAMM Z Angew Math Mech，96，538-549（2016）·Zbl 07775045号 ·doi:10.1002/zamm.201500181 [42] Y私人。；Trélat E。；Zuazua E.，dirichlet-laplacian特征函数neumann迹的谱形状优化，Calc Var Partial Dif，58，64（2019）·兹比尔1410.35090 ·doi:10.1007/s00526-019-1522-3 [43] Rellich F.，Darstellung der eigenwerte von<i>δ</i> u+<i>λ</i> u=0随机积分，数学Z，46635-636（1940）·Zbl 0023.04204号 ·doi:10.1007/BF01181459 [44] Otmar Scherzer，《成像数学方法手册》，第1、2、3卷。纽约：斯普林格。(2015) ·Zbl 1322.68001号 [45] 塞格迪C。；Zaremba W。；萨茨克弗一世。；等人，《神经网络的有趣特性》，arXiv预印本arXiv:1312.6199。(2013) [46] Tadmor E.公司。；尼扎尔S。；Vese L.，使用分层（<i>BV</i>，<i>L</i>2）分解的多尺度图像表示，多尺度模型仿真，2554-579（2004）·Zbl 1146.68472号 ·数字对象标识代码：10.1137/030600448 [47] Tarantola A.，《模型参数估计的反问题理论和方法》，费城：工业和应用数学学会。(2005) ·Zbl 1074.65013号 [48] 魏泽。；刘迪。；Chen X.，电阻抗断层成像的主导电流深度学习方案，IEEE Trans Biomedical Eng，66，2546-2555（2019）·doi:10.1109/TBME.2019.2891676 [49] 杨刚。；于斯。；董浩。；等人，Dagan:用于快速压缩传感mri重建的深度去混叠生成对抗网络，IEEE Trans-Med Imaging，371310-1321（2018）·doi:10.1109/TMI.2017.2785879 [50] 朱斌。；刘JZ；考利SF；等，通过域变换流形学习进行图像重建，《自然》，555487-492（2018）·doi:10.1038/nature25988 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配，并且可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。