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。