A Refined Method of Robust Smoothing
一种改进的稳健平滑方法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：摘要仅说明一般数据序列的信号平滑，未明确提供经济时间序列背景。
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
一种改进的稳健平滑方法
- 研究问题
- 当数据序列含噪且高斯假设不成立时，如何平滑过多的局部峰谷，同时保留较宽的信号变化，以改善真实信号的恢复？
- 方法与思路
- 作者提出称为splicing的平滑程序，针对局部峰谷与宽峰谷进行处理，并通过与其他方法比较及真实数据序列展示其效果。
- 材料陈述的贡献
- 摘要称，该程序在含噪序列的信号恢复中似乎优于文中考察的其他方法，并提供真实序列示例；未给出具体评价数值。
- 阅读关注点
- 应核对splicing的操作步骤、局部与宽峰谷的区分规则、边界处理，以及比较采用的噪声设定、信号形态和误差指标。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要的比较措辞具有探索性，未交代噪声条件或应用背景，不能据此声称普遍优于其他平滑方法。
原文摘要
Nonlinear data smoothers (filters) have the drawback that too many local peaks and troughs in a data sequence may be preserved. If Gaussian assumptions are not met, linear smoothers do not offer a desirable alternative. A refined method of smoothing out local peaks and troughs, while retaining the broad ones, is proposed. When used for signal recovery from data sequences contaminated with noise, this procedure, termed splicing, appears superior to other methods considered. Application to a real data sequence is presented as an illustration of the technique.