In this paper we study the nonuniform fast Fourier transform with nonequispaced spatial and frequency data (NNFFT) and the fast sinc transform as its application. The computation of NNFFT is mainly based on the nonuniform fast Fourier transform with nonequispaced spatial nodes and equispaced frequencies (NFFT). The NNFFT employs two compactly supported, continuous window functions. For fixed nonharmonic bandwidth, it is shown that the error of the NNFFT with two sinh-type window functions has an exponential decay with respect to the truncation parameters of the used window functions. As an important application of the NNFFT, we present the fast sinc transform. The error of the fast sinc transform is estimated, too.


翻译:在本文中,我们用无间距空间和频率数据(NNFFT)来研究非统一的快速傅里叶变换,以及快速螺旋变换作为应用。NNFFFT的计算主要基于非统一的快速傅里叶变换,带有无间距空间节点和等宽度频率(NFFFT),NFFFT使用两个紧凑支持的连续窗口功能。对于固定的非和谐带宽,显示NNFFFT有两个正弦型窗口功能的错误,与旧窗口功能的脱轨参数相比,会发生指数衰变。作为NNFFT的一个重要应用,我们展示了快速的罪变。快速罪变的错误也是估计的。

0
下载
关闭预览

相关内容

FAST:Conference on File and Storage Technologies。 Explanation:文件和存储技术会议。 Publisher:USENIX。 SIT:http://dblp.uni-trier.de/db/conf/fast/
专知会员服务
50+阅读 · 2021年5月19日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
实战 | 源码入门之Faster RCNN
计算机视觉life
19+阅读 · 2019年4月16日
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
Faster R-CNN
数据挖掘入门与实战
4+阅读 · 2018年4月20日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
0+阅读 · 2021年9月4日
Learning in the Frequency Domain
Arxiv
11+阅读 · 2020年3月12日
Arxiv
3+阅读 · 2017年12月14日
Arxiv
3+阅读 · 2014年10月9日
VIP会员
相关资讯
实战 | 源码入门之Faster RCNN
计算机视觉life
19+阅读 · 2019年4月16日
论文笔记之Feature Selective Networks for Object Detection
统计学习与视觉计算组
21+阅读 · 2018年7月26日
笔记 | Sentiment Analysis
黑龙江大学自然语言处理实验室
10+阅读 · 2018年5月6日
Faster R-CNN
数据挖掘入门与实战
4+阅读 · 2018年4月20日
视频超分辨 Detail-revealing Deep Video Super-resolution 论文笔记
统计学习与视觉计算组
17+阅读 · 2018年3月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Top
微信扫码咨询专知VIP会员