Wavelet Shrinkage Using Cross-Validation
使用交叉验证的小波收缩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：摘要研究通用的小波去噪和阈值选择，应用为麻醉数据，未提供所列经济计量细分方向的直接证据。
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
使用交叉验证的小波收缩
- 研究问题
- 如何为带噪函数和图像估计中的小波收缩选择阈值，并使选择程序适用于任意长度及多维数据集？
- 方法与思路
- 作者先为长度为二的整数次幂的数据提出改进的两折交叉验证，再扩展到任意长度及多维数据，并进行模拟比较。
- 材料陈述的贡献
- 摘要称提供了交叉验证阈值选择算法及其扩展，比较已有阈值选择方法，并展示了来自麻醉领域的真实数据应用。
- 阅读关注点
- 应核对两折划分与阈值选择准则、任意长度数据的处理方式、多维扩展的实现，以及模拟使用的误差评价标准。
- 阅读边界
- 仅据所给 Crossref 摘要；摘要未报告比较数值、风险保证或适用噪声条件，不能据此断言该方法普遍更优。
原文摘要
SUMMARY Wavelets are orthonormal basis functions with special properties that show potential in many areas of mathematics and statistics. This paper concentrates on the estimation of functions and images from noisy data by using wavelet shrinkage. A modified form of twofold cross-validation is introduced to choose a threshold for wavelet shrinkage estimators operating on data sets of length a power of 2. The cross-validation algorithm is then extended to data sets of any length and to multidimensional data sets. The algorithms are compared with established threshold choosers by using simulation. An application to a real data set arising from anaesthesia is presented.