Publication

Some Developments of the Cooray–Rubinstein Formula in the Time Domain

Farhad Rachidi-Haeri
2015
Journal Articles

Résumé

A rigorous formula representing the counterpart of the Cooray-Rubinstein expression in the time domain has recently been derived by the authors. In this paper, the formula is particularized for the cases of a unit step and a linearly rising channel-base current, waveforms frequently used in lightning performance studies. Furthermore, an approximate kernel of the formula is also presented, allowing a very compact and straightforward solution for the case of linearly rising currents.

Source officielle

https://infoscience.epfl.ch/entities/publication/75fbdcb6-9b32-4dcc-9985-7871620bc7ce

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Farhad Rachidi-Haeri
2015
Journal Articles

Résumé

Source officielle

https://infoscience.epfl.ch/entities/publication/75fbdcb6-9b32-4dcc-9985-7871620bc7ce

À propos de ce résultat

Concepts associés (11)

Facteur de puissance

Le facteur de puissance est une caractéristique d'un récepteur électrique qui rend compte de son efficacité pour consommer de la puissance lorsqu'il est traversé par un courant. Pour un dipôle électrique alimenté en régime de courant variable au cours du temps (sinusoïdal ou non), il est égal à la puissance active P consommée par ce dipôle, divisée par le produit des valeurs efficaces du courant I et de la tension U (puissance apparente S). Il est toujours compris entre 0 et 1.

Astuce du noyau

En apprentissage automatique, l'astuce du noyau, ou kernel trick en anglais, est une méthode qui permet d'utiliser un classifieur linéaire pour résoudre un problème non linéaire. L'idée est de transformer l'espace de représentation des données d'entrées en un espace de plus grande dimension, où un classifieur linéaire peut être utilisé et obtenir de bonnes performances. La discrimination linéaire dans l'espace de grande dimension (appelé aussi espace de redescription) est équivalente à une discrimination non linéaire dans l'espace d'origine.

Radial basis function kernel

In machine learning, the radial basis function kernel, or RBF kernel, is a popular kernel function used in various kernelized learning algorithms. In particular, it is commonly used in support vector machine classification. The RBF kernel on two samples and x', represented as feature vectors in some input space, is defined as may be recognized as the squared Euclidean distance between the two feature vectors. is a free parameter.

Afficher plus

Publications associées (13)

High-Dimensional Kernel Methods under Covariate Shift: Data-Dependent Implicit Regularization

Volkan Cevher, Fanghui Liu

This paper studies kernel ridge regression in high dimensions under covariate shifts and analyzes the role of importance re-weighting. We first derive the asymptotic expansion of high dimensional kernels under covariate shifts. By a bias-variance decomposi ...

2024

End-to-end kernel learning via generative random Fourier features

Jie Yang, Fanghui Liu

Random Fourier features (RFFs) provide a promising way for kernel learning in a spectral case. Current RFFs-based kernel learning methods usually work in a two-stage way. In the first-stage process, learn-ing an optimal feature map is often formulated as a ...

ELSEVIER SCI LTD2023

Kernel Methods and Similarity Learning Applied in Computational Chemistry

Raimon Fabregat I De Aguilar-Amat

Over the last two decades, data-powered machine learning (ML) tools have profoundly transformed numerous scientific fields. In computational chemistry, machine learning applications have permitted faster predictions of chemical properties and provided powe ...

EPFL2022

Afficher plus

Some Developments of the Cooray&#x2013;Rubinstein Formula in the Time Domain

High-Dimensional Kernel Methods under Covariate Shift: Data-Dependent Implicit Regularization

End-to-end kernel learning via generative random Fourier features

Kernel Methods and Similarity Learning Applied in Computational Chemistry

High-Dimensional Kernel Methods under Covariate Shift: Data-Dependent Implicit Regularization

End-to-end kernel learning via generative random Fourier features

Kernel Methods and Similarity Learning Applied in Computational Chemistry

Some Developments of the Cooray–Rubinstein Formula in the Time Domain