Weighted Repeated Median Smoothing and Filtering
加权重复中位数平滑与滤波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：摘要直接研究时间序列在线信号提取，并强调在局部趋势下保留真实跳变、区分长期水平变化与异常序列。
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…
加权重复中位数平滑与滤波
- 研究问题
- 在含局部线性趋势的时间序列中，如何稳健提取信号、剔除连续异常观测，同时保留真实的水平跳变？
- 方法与思路
- 作者提出加权重复中位数滤波和平滑，按设计空间距离加权，并与多种局部稳健回归及加权绝对偏差回归比较。
- 材料陈述的贡献
- 摘要称适当加权能够降低非线性导致的偏差，并在较大带宽下改善效率，同时区分长期水平变化与异常序列。
- 阅读关注点
- 应核对权重和带宽的选择、在线滤波与平滑的区别，以及异常序列长度和真实跳变对信号提取表现的影响。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未提供稳健性保证的具体条件，也未说明所有比较方法和场景中的表现。
原文摘要
We propose weighted repeated median filters and smoothers for robust nonparametric regression in general and for robust online signal extraction from time series in particular. The new methods allow us to remove outlying sequences and to preserve discontinuities (shifts) in the underlying regression function (the signal) in the presence of local linear trends. Suitable weighting of the observations according to their distances in the design space reduces the bias arising from nonlinearities and improves the efficiency using larger bandwidths, while still distinguishing long-term shifts from outlier sequences. Other localized robust regression techniques like S, M, and MM estimators as well as weighted L 1 regression, are examined for comparison.