HOUND: High-Order Universal Numerical Differentiator for a Parameter-free Polynomial Online Approximation
HOUND：用于无参数多项式在线近似的高阶通用数值微分器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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要核心是通用数值微分与信号在线近似，虽涉及时间序列平滑，但未提供足够依据归入宏观或金融计量细分。
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
HOUND：用于无参数多项式在线近似的高阶通用数值微分器
- 研究问题
- 如何在线估计带噪信号的高阶导数，并在无需按信号特征调节参数的情况下，实现多项式近似、插值与外推？
- 方法与思路
- 作者构造任意高阶的非线性微分方程系统，推导显式解，并将方程离散化为时间序列的累积平滑在线算法。
- 材料陈述的贡献
- 摘要称，适当选择阶数后，多项式信号加白噪声时误差趋零；更一般情形在最高估计导数有界时误差有界。
- 阅读关注点
- 应核对误差收敛的概率或均方含义、白噪声建模、阶数选择和初始化要求，以及离散化后的稳定性与实时计算方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未说明收敛形式和离散误差；无需调参仍需适当选择阶数。
原文摘要
This paper introduces a scalar numerical differentiator, represented as a system of nonlinear differential equations of any high order. We derive the explicit solution for this system and demonstrate that, with a suitable choice of differentiator order, the error converges to zero for polynomial signals with additive white noise. In more general cases, the error remains bounded, provided that the highest estimated derivative is also bounded. A notable advantage of this numerical differentiation method is that it does not require tuning parameters based on the specific characteristics of the signal being differentiated. We propose a discretization method for the equations that implements a cumulative smoothing algorithm for time series. This algorithm operates online, without the need for data accumulation, and it solves both interpolation and extrapolation problems without fitting any coefficients to the data.