Generalized matrix spectral factorization and quasi-tight framelets with a minimum number of generators
Notice bibliographique
Résumé
As a generalization of orthonormal wavelets in L 2 ( R ) L_2({\mathbb {R}}) , tight framelets (also called tight wavelet frames) are of importance in wavelet analysis and applied sciences due to their many desirable properties in applications such as image processing and numerical algorithms. Tight framelets are often derived from particular refinable functions satisfying certain stringent conditions. Consequently, a large family of refinable functions cannot be used to construct tight framelets. This motivates us to introduce the notion of a quasi-tight framelet, which is a dual framelet but behaves almost like a tight framelet. It turns out that the study of quasi-tight framelets is intrinsically linked to the problem of the generalized matrix spectral factorization for matrices of Laurent polynomials. In this paper, we provide a systematic investigation on the generalized matrix spectral factorization problem and compactly supported quasi-tight framelets. As an application of our results on generalized matrix spectral factorization for matrices of Laurent polynomials, we prove in this paper that from any arbitrary compactly supported refinable function in L 2 ( R ) L_2({\mathbb {R}}) , we can always construct a compactly supported one-dimensional quasi-tight framelet having the minimum number of generators and the highest possible order of vanishing moments. Our proofs are constructive and supplemented by step-by-step algorithms. Several examples of quasi-tight framelets will be provided to illustrate the theoretical results and algorithms developed in this paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».