加权本征函数估计及其在压缩感知中的应用
Weighted eigenfunction estimates with applications to compressed sensing
AI总结：
利用半经典分析工具，给出严格旋转凸曲面本征函数的加权L^∞估计，从而提出新的采样技术并改进恢复稀疏本征函数展开所需样本数的上界。
摘要：
利用半经典分析工具，我们给出了严格凸旋转曲面上本征函数的加权L^∞估计。这些估计产生了新的采样技术，并改进了在旋转曲面上恢复稀疏本征函数展开所需样本数的上界。在球面上，我们的估计表明，任何在前N个球谐函数中具有s-稀疏展开的函数，可以从其在m > s N^(1/6) log^4(N)个采样点的值中有效恢复。
英文摘要：
Using tools from semiclassical analysis, we give weighted L^\infty estimates for eigenfunctions of strictly convex surfaces of revolution. These estimates give rise to new sampling techniques and provide improved bounds on the number of samples necessary for recovering sparse eigenfunction expansions on surfaces of revolution. On the sphere, our estimates imply that any function having an s-sparse expansion in the first N spherical harmonics can be efficiently recovered from its values at m > s N^(1/6) log^4(N) sampling points.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
