Real Nonparametric Regression Using Complex Wavelets
使用复数小波的实值非参数回归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：摘要研究一般非参数回归与小波去噪，没有明确的宏观时间序列或金融计量对象。
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
使用复数小波的实值非参数回归
- 研究问题
- 对于具有尖峰或不连续特征的带噪曲线，复数小波收缩能否改善实值函数估计，其计算表现与风险性质如何？
- 方法与思路
- 作者提出两种复数小波收缩方法，分别采用类似多小波的收缩方式和贝叶斯方法，并通过逆变换恢复曲线估计。
- 材料陈述的贡献
- 摘要称所考察模拟中方法通常更准确，类似多小波的方法更简单且更快，并给出其硬阈值系数的新风险上界。
- 阅读关注点
- 应核对复数系数如何形成实值曲线、阈值与先验设定、风险界条件，以及模拟中的信号类型、比较方法和计算配置。
- 阅读边界
- 仅据所给 Crossref 摘要，无法核实准确性和速度差异的大小；模拟优势与风险界不能直接推广到所有曲线、噪声或实现。
原文摘要
Summary Wavelet shrinkage is an effective nonparametric regression technique, especially when the underlying curve has irregular features such as spikes or discontinuities. The basic idea is simple: take the discrete wavelet transform of data consisting of a signal corrupted by noise; shrink or remove the wavelet coefficients to remove the noise; then invert the discrete wavelet transform to form an estimate of the true underlying curve. Various researchers have proposed increasingly sophisticated methods of doing this by using real-valued wavelets. Complex-valued wavelets exist but are rarely used. We propose two new complex-valued wavelet shrinkage techniques: one based on multiwavelet style shrinkage and the other using Bayesian methods. Extensive simulations show that our methods almost always give significantly more accurate estimates than methods based on real-valued wavelets. Further, our multiwavelet style shrinkage method is both simpler and dramatically faster than its competitors. To understand the excellent performance of this method we present a new risk bound on its hard thresholded coefficients.