Nonlinear Wavelet Shrinkage with Bayes Rules and Bayes Factors
基于贝叶斯规则与贝叶斯因子的非线性小波收缩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：摘要仅涉及通用小波去噪，未明确研究时间序列依赖、金融波动或所列其他细分主题。
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
基于贝叶斯规则与贝叶斯因子的非线性小波收缩
- 研究问题
- 如何在小波域中通过一致的贝叶斯推断构造系数收缩方法，用于数据去噪，并在标准测试函数上考察表现？
- 方法与思路
- 作者提出在小波域实施贝叶斯推断的收缩方法，并用标准 Donoho-Johnstone 测试函数检验；摘要未展开先验与规则。
- 材料陈述的贡献
- 摘要明确陈述的贡献是贝叶斯小波收缩方案及标准函数测试；未给出具体性能结果，也未陈述相对其他方法的优势。
- 阅读关注点
- 应核对系数先验、贝叶斯规则与贝叶斯因子的具体作用、噪声模型，以及测试函数上的评价指标和比较方法。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要。摘要较简略，未说明收缩公式、理论保证或数值结果，不能仅凭题名补全方法细节。
原文摘要
Wavelet shrinkage, the method proposed by the seminal work of Donoho and Johnstone is a disarmingly simple and efficient way of denoising data. Shrinking wavelet coefficients was proposed from several optimality criteria. In this article a wavelet shrinkage by coherent Bayesian inference in the wavelet domain is proposed. The methods are tested on standard Donoho-Johnstone test functions.