Optimal parameter estimation for linear SPDEs from multiple measurements
基于多重测量的线性随机偏微分方程最优参数估计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：摘要研究随机偏微分方程的空间局部测量，未提供所列宏观或金融计量应用的依据。
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…
基于多重测量的线性随机偏微分方程最优参数估计
- 研究问题
- 利用多个空间局部测量估计二阶抛物型线性随机偏微分方程系数时，收敛速度和一致估计的边界如何确定？
- 方法与思路
- 作者在空间分辨率趋零且测量数量不减少的框架下，分析再生核希尔伯特空间，并建立高斯下界方法。
- 材料陈述的贡献
- 摘要称系数收敛率随微分阶数而变，高阶系数更快，并建立收敛率的极小极大最优性及一致估计的充要条件。
- 阅读关注点
- 应核对空间测量的定义、噪声与方程条件、测量数量如何进入速率，以及下界所针对的参数空间和损失函数。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体速率和充要条件未提供，不能将最优性扩展至其他方程或观测方式。
原文摘要
The coefficients in a second order parabolic linear stochastic partial differential equation (SPDE) are estimated from multiple spatially localised measurements. Assuming that the spatial resolution tends to zero and the number of measurements is nondecreasing, the rate of convergence for each coefficient depends on its differential order and is faster for higher order coefficients. Based on an explicit analysis of the reproducing kernel Hilbert space of a general stochastic evolution equation, a Gaussian lower bound scheme is introduced. As a result, minimax optimality of the rates as well as sufficient and necessary conditions for consistent estimation are established.