Covariance Structure of Wavelet Coefficients: Theory and Models in a Bayesian Perspective
小波系数的协方差结构：理论与贝叶斯建模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：摘要聚焦通用小波协方差与函数去噪，没有明确的时间序列、波动率或其他所列领域应用证据。
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
小波系数的协方差结构：理论与贝叶斯建模
- 研究问题
- 如何计算随机小波系数在尺度内及尺度间的协方差，并将这些相关性纳入含噪函数估计的贝叶斯收缩模型？
- 方法与思路
- 作者由系数性质构造协方差递归算法，联系二维离散小波变换，再以少量超参数设置相关先验并用MCMC估计。
- 材料陈述的贡献
- 摘要称，协方差结构分析支持以简约超参数表示系数的完整相关性，并在基准模拟信号上展示相应贝叶斯估计方法。
- 阅读关注点
- 应核对递归计算所需条件、与二维小波变换的具体联系、先验协方差的有效性，以及MCMC实现和模拟比较的设计。
- 阅读边界
- 仅据Crossref摘要解读；摘要未说明先验细节、计算收敛情况或模拟数值，不能据此认定方法优于其他收缩方案。
原文摘要
Summary We present theoretical results on the random wavelet coefficients covariance structure. We use simple properties of the coefficients to derive a recursive way to compute the within- and across-scale covariances. We point out a useful link between the algorithm proposed and the two-dimensional discrete wavelet transform. We then focus on Bayesian wavelet shrinkage for estimating a function from noisy data. A prior distribution is imposed on the coefficients of the unknown function. We show how our findings on the covariance structure make it possible to specify priors that take into account the full correlation between coefficients through a parsimonious number of hyperparameters. We use Markov chain Monte Carlo methods to estimate the parameters and illustrate our method on bench-mark simulated signals.