Functional deconvolution in a periodic setting: Uniform case
周期设定下的函数型反卷积：均匀情形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：摘要研究函数恢复与数学物理逆问题，没有所列经济计量细分方向的直接证据。
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
周期设定下的函数型反卷积：均匀情形
- 研究问题
- 如何在周期函数型反卷积中恢复未知函数，并判断连续观测相对于大量离散观测在不同平滑条件下是否具有优势？
- 方法与思路
- 作者在Besov函数球和不同卷积平滑类型下建立平方积分风险的极小极大下界，提出自适应小波估计，并分析模型离散化。
- 材料陈述的贡献
- 摘要称，小波估计在广泛的Besov函数球上达到渐近极小极大最优或仅差对数因子，并研究连续数据相对离散数据的优势条件。
- 阅读关注点
- 阅读全文时应核对观测模型、模糊函数的平滑条件、风险下界与上界的对应关系，以及连续和离散观测比较时的采样设定。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未给出收敛速率和完整条件，不能断言连续观测始终更优或据题名还原“均匀”设定。
原文摘要
We extend deconvolution in a periodic setting to deal with functional data. The resulting functional deconvolution model can be viewed as a generalization of a multitude of inverse problems in mathematical physics where one needs to recover initial or boundary conditions on the basis of observations from a noisy solution of a partial differential equation. In the case when it is observed at a finite number of distinct points, the proposed functional deconvolution model can also be viewed as a multichannel deconvolution model. We derive minimax lower bounds for the L2-risk in the proposed functional deconvolution model when f(⋅) is assumed to belong to a Besov ball and the blurring function is assumed to possess some smoothness properties, including both regular-smooth and super-smooth convolutions. Furthermore, we propose an adaptive wavelet estimator of f(⋅) that is asymptotically optimal (in the minimax sense), or near-optimal within a logarithmic factor, in a wide range of Besov balls. In addition, we consider a discretization of the proposed functional deconvolution model and investigate when the availability of continuous data gives advantages over observations at the asymptotically large number of points. As an illustration, we discuss particular examples for both continuous and discrete settings.