On the performance of box-counting estimators of fractal dimension
分形维数盒计数估计量的表现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：摘要讨论分形维数估计的随机性质，未明确涉及所列微观、宏观或金融细分问题。
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
分形维数盒计数估计量的表现
- 研究问题
- 当不规则曲线由高斯过程建模时，盒计数分形维数估计量的渐近偏差和方差如何表现，两类常见构造有何区别？
- 方法与思路
- 作者在高斯过程框架下推导盒计数估计量渐近偏差与方差的简洁表达式，比较直接基于容量定义与受回归启发的构造。
- 材料陈述的贡献
- 摘要称，推导所得公式揭示了两类盒计数估计量之间的关键差异，为理解这些常用估计量的随机性质提供了理论依据。
- 阅读关注点
- 应核对高斯过程的具体条件、曲线观测与网格细化方式、两类估计量的定义，以及渐近公式对实际尺度选择的含义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体公式和适用条件未提供，也不能据此判断哪类估计量普遍更好。
原文摘要
Box-counting estimators are popular for estimating fractal dimension. However, very little is known of their stochastic properties, despite increasing statistical interest in their application. We show that, if the irregular curve to which the estimators are applied is modelled by a Gaussian process, concise formulae may be developed for asymptotic bias and variance of box-counting estimators. These formulae point to critical differences between a native form of the box-counting estimator, based directly on the capacity definition of fractal dimension, and a regression-inspired version of that estimator.