Spline Functions and Stochastic Filtering
样条函数与随机滤波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：摘要主要讨论一般随机过程和多维随机场预测，缺少归入宏观时间序列或宏观预测的明确证据。
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
样条函数与随机滤波
- 研究问题
- 信号加噪声模型中最小化预测均方误差的无偏线性预测器，与平滑样条之间存在何种联系，能否扩展到随机场？
- 方法与思路
- 作者构造适用于局部齐次随机场预测的多维样条，要求相关谱测度绝对连续，并通过部分样条纳入任意漂移项。
- 材料陈述的贡献
- 摘要称，建立预测器与平滑样条的对应关系，提出新的多维样条族，并展示统计预测与数值逼近之间的联系。
- 阅读关注点
- 应核对局部齐次与相关谱测度的定义、具体正则条件、预测器和样条的对应方式，以及部分样条处理漂移的范围。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；谱测度定义和所谓较弱条件未提供，不能判断对应关系的完整范围或预测效果。
原文摘要
Some relationships have been established between unbiased linear predictors of processes, in signal and noise models, minimizing the predictive mean square error and some smoothing spline functions. We construct a new family of multidimensional splines adapted to the prediction of locally homogeneous random fields, whose "$m$-spectral measure" (to be defined) is absolutely continuous with respect to Lebesgue measure and satisfies some minor assumptions. By considering partial splines, one may include an arbitrary drift in the signal. This type of correspondence underlines the potentialities of cross-fertilization between statistics and the numerical techniques in approximation theory.