Deconvolution When Classifying Noisy Data Involving Transformations
含变换噪声数据分类中的反卷积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：摘要研究含噪空间数据的通用分类与反问题，未明确涉及所列经济计量细分领域。
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…
含变换噪声数据分类中的反卷积
- 研究问题
- 空间数据受到线性变换或卷积以及加性噪声影响时，分类前应如何逆变换，分类目标与恢复原始信号有何区别？
- 方法与思路
- 作者提出面向分类表现的逆变换程序，以交叉验证进行数据驱动选择，结合多种分类器及 Lidar 气溶胶数据考察效果。
- 材料陈述的贡献
- 摘要称恰当逆变换可改善分类，而以恢复原始信号为目标通常不合适；作者提供理论支持和气溶胶分类应用。
- 阅读关注点
- 核对变换与噪声的设定、逆变换的优化目标、交叉验证设计，以及理论支持和分类改善分别适用于哪些数据情形。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；变换是否已知、噪声条件和分类误差数值未说明，不能概括为反卷积必然有益。
原文摘要
In the present study, we consider the problem of classifying spatial data distorted by a linear transformation or convolution and contaminated by additive random noise. In this setting, we show that classifier performance can be improved if we carefully invert the data before the classifier is applied. However, the inverse transformation is not constructed so as to recover the original signal, and in fact, we show that taking the latter approach is generally inadvisable. We introduce a fully data-driven procedure based on cross-validation, and use several classifiers to illustrate numerical properties of our approach. Theoretical arguments are given in support of our claims. Our procedure is applied to data generated by light detection and ranging (Lidar) technology, where we improve on earlier approaches to classifying aerosols. This article has supplementary materials online.