A Refined Method of Robust Smoothing
一种改进的稳健平滑方法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：摘要描述一般数据序列的稳健平滑与信号恢复，未明确给出时间序列随机模型或其他所列方向，故不强行指定细分。
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
一种改进的稳健平滑方法
- 研究问题
- 在含噪数据序列中，如何减少非线性平滑器保留过多局部峰谷的问题，同时保留较宽的峰谷等主要信号特征？
- 方法与思路
- 作者提出称为 splicing 的平滑方法，针对局部峰谷进行处理，并通过信号恢复比较和真实数据序列示例展示其用途。
- 材料陈述的贡献
- 摘要称，该方法能平滑局部峰谷并保留较宽峰谷，在所比较的信号恢复方法中表现似乎更好，但没有给出量化结果。
- 阅读关注点
- 应核对 splicing 的具体步骤、局部与宽峰谷的判定、噪声和调参设定，以及比较方法、评价指标及信号失真的程度。
- 阅读边界
- 依据版本未注明的索引摘要；优势仅是对所考察方法的摘要陈述，噪声条件与比较范围未说明，不能认定普遍优越。
原文摘要
Nonlinear data smoothers (filters) have the drawback that too many local peaks and troughs in a data sequence may be preserved. If Gaussian assumptions are not met, linear smoothers do not offer a desirable alternative. A refined method of smoothing out local peaks and troughs, while retaining the broad ones, is proposed. When used for signal recovery from data sequences contaminated with noise, this procedure, termed splicing, appears superior to other methods considered. Application to a real data sequence is presented as an illustration of the technique.