Zobrazeno 1 - 10
of 36
pro vyhledávání: '"Perera, Sirani M."'
Autor:
Lingsch, Levi, Michelis, Mike Y., de Bezenac, Emmanuel, Perera, Sirani M., Katzschmann, Robert K., Mishra, Siddhartha
The computational efficiency of many neural operators, widely used for learning solutions of PDEs, relies on the fast Fourier transform (FFT) for performing spectral computations. As the FFT is limited to equispaced (rectangular) grids, this limits t
Externí odkaz:
http://arxiv.org/abs/2305.19663
Autor:
Perera, Sirani M.1 (AUTHOR) pereras2@erau.edu, Rathnasekara, Gayani2 (AUTHOR) grath003@fiu.edu, Madanayake, Arjuna2 (AUTHOR) amadanay@fiu.edu
Publikováno v:
Sensors (14248220). Jan2024, Vol. 24 Issue 2, p576. 20p.
Autor:
Perera, Sirani M.
In this paper, fast and efficient discrete sine transformation (DST) algorithms are presented based on the factorization of sparse, scaled orthogonal, rotation, rotation-reflection, and butterfly matrices. These algorithms are completely recursive an
Externí odkaz:
http://arxiv.org/abs/1601.04662
Autor:
Perera, Sirani M.
This paper presents stable, radix-2, completely recursive discrete cosine transformation algorithms DCT-I and DCT-III solely based on DCT-I, DCT-II, DCT-III, and DCT-IV having sparse and orthogonal factors. Error bounds for computing the completely r
Externí odkaz:
http://arxiv.org/abs/1503.04106
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
The results on Vandermonde-like matrices were introduced as a generalization of polynomial Vandermonde matrices, and the displacement structure of these matrices was used to derive an inversion formula. In this paper we first present a fast Gaussian
Externí odkaz:
http://arxiv.org/abs/1401.1874
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Fourier Neural Operators (FNOs) have emerged as very popular machine learning architectures for learning operators, particularly those arising in PDEs. However, as FNOs rely on the fast Fourier transform for computational efficiency, the architecture
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::778485bbfb6dfd4bf8158f9d41ed0aa3
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.