On the sparsity of signals in a random sample
随机样本中信号的稀疏程度估计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：摘要核心是通用稀疏性估计，平稳弱相关噪声仅为应用示例，不足以确定所列领域归属。
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…
随机样本中信号的稀疏程度估计
- 研究问题
- 如何从随机样本估计信号的稀疏程度，并将方法用于大型协方差矩阵及受平稳弱相关噪声影响的信号序列？
- 方法与思路
- 作者提出矩估计技术，其计算涉及大型厄米三角矩阵的最大特征值估计，并在两类稀疏性问题中演示。
- 材料陈述的贡献
- 摘要称在温和条件下可进行相关特征值估计，模拟显示所提稀疏性估计量的平均绝对误差可明显低于主要竞争方法。
- 阅读关注点
- 核对稀疏程度的定义、矩信息与最大特征值之间的关系，并检查弱相关条件、矩阵规模及比较方法的设定。
- 阅读边界
- 仅据版本未注明的索引摘要，不能推断刊本变化；具体条件及误差数值未说明，模拟中的改善不能直接推广到其他信号结构。
原文摘要
This article proposes a method of moments technique for estimating the sparsity of signals in a random sample. This involves estimating the largest eigenvalue of a large Hermitian trigonometric matrix under mild conditions. As illustration, the method is applied to two well-known problems. The first focuses on the sparsity of a large covariance matrix and the second investigates the sparsity of a sequence of signals observed with stationary, weakly dependent noise. Simulation shows that the proposed estimators can have significantly smaller mean absolute errors than their main competitors.