Wavelet-based estimation with multiple sampling rates
多采样率下的基于小波的估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要中的高频指信号处理与采样率，未提供金融高频计量或其他所列细分方向的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多采样率下的基于小波的估计
- 研究问题
- 含噪信号复杂度随时间变化时，能否动态调整采样率，以准确恢复复杂信号而不增加长期平均采样成本？
- 方法与思路
- 作者以小波估计中的高频项和阈值化项作为经验依据，随信号复杂度提高或降低采样率，并利用较高初始分辨率。
- 材料陈述的贡献
- 摘要称该规则能利用接近实时的采样机会恢复较复杂信号，同时保持长期平均采样开销，适用于所述高信噪比情境。
- 阅读关注点
- 应核对采样率调整规则、阈值和初始分辨率设置，以及恢复准确性与长期成本结论所需的信号和噪声条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；误差界与成本约束未说明，高信噪比应用背景不能代表一般信号或金融高频数据。
原文摘要
We suggest an adaptive sampling rule for obtaining information from noisy signals using wavelet methods. The technique involves increasing the sampling rate when relatively high-frequency terms are incorporated into the wavelet estimator, and decreasing it when, again using thresholded terms as an empirical guide, signal complexity is judged to have decreased. Through sampling in this way the algorithm is able to accurately recover relatively complex signals without increasing the long-run average expense of sampling. It achieves this level of performance by exploiting the opportunities for near-real time sampling that are available if one uses a relatively high primary resolution level when constructing the basic wavelet estimator. In the practical problems that motivate the work, where signal to noise ratio is particularly high and the long-run average sampling rate may be several hundred thousand operations per second, high primary resolution levels are quite feasible.