统计学 > 方法论
[提交于 2025年7月15日
]
标题: 基于Epanechnikov核的低信噪比数据的贝叶斯小波收缩
标题: Bayesian wavelet shrinkage for low SNR data based on the Epanechnikov kernel
摘要: 考虑具有加性高斯噪声的单变量非参数回归模型,并以小波基表示未知回归函数。 我们提出了一种收缩规则,通过将零点质量函数与Epanechnikov分布混合作为系数的先验来估计小波系数。 该规则被证明适用于低信噪比数据集的场景,并在模拟研究中优于标准方法和贝叶斯方法。 提供了平方偏差和方差等统计特性,并得到了该规则的显式表达式。 使用真实EEG数据集展示了该规则的应用。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.