Automatic Smoothing of the Log Periodogram
对数周期图的自动平滑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：摘要直接研究周期图与谱密度估计，属于时间序列的频域分析方法。
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
对数周期图的自动平滑
- 研究问题
- 如何为对数谱密度估计自动选择平滑程度，并使平滑参数及样条次数的选择具有明确的误差准则？
- 方法与思路
- 作者用平滑样条处理对数周期图，构造期望积分均方误差的无偏估计，并通过最小化该准则选择参数。
- 材料陈述的贡献
- 摘要提出最优平滑样条估计，称同一准则可选择平滑参数和样条次数，并用选定例子的蒙特卡洛实验展示效果。
- 阅读关注点
- 核对风险估计无偏性的条件、谱密度与观测过程的要求、参数搜索方式，以及模拟例子的代表性和比较基准。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；未提供风险准则公式或模拟数值，不能把选定例子的表现推广到所有过程。
原文摘要
We develop an objective optimum smoothing procedure for an estimate of the log spectral density, based on smoothing the log periodogram with a smoothing spline. We call the result the optimally smoothed spline (OSS) estimate. We show that an unbiased estimate [Rcirc](λ) of the expected integrated mean square error can be obtained as a function of the smoothing, or “bandwidth” parameter λ. The smoothing parameter then is chosen as that λ that minimizes [Rcirc](λ). The degree of the smoothing spline (equivalently, the “shape” parameter of the window) also can be chosen this way. Results of some Monte Carlo experiments demonstrating the effectiveness of the method on selected examples are given.