通道数量不断增加的多通道箱车反褶积

@文章{Pensky2011MultichannelBD，title＝{具有不断增长的信道数量的多信道boxcar反褶积}，author={玛丽安娜·彭斯基（Marianna Pensky）和提奥凡妮斯·萨帕蒂纳斯（Theofanis Sapatinas}），journal={电子统计杂志}，年份={2011}，体积={5}，页数={53-82}，url={https://api.semanticscholar.org/CorpusID:18304840}}
开发了一个程序，用于在指定的区间上构造非渐近长度的Badly近似M元组，以及与该$M$-元组相关的下限，该下限明确显示了其对M的依赖性。
[PDF]语义阅读器
13引文
极具影响力的引文
2
背景引文
三
方法引文
9
结果引文
1

询问这篇论文
贝塔
AI供电

我们的系统试图限制本文中找到的信息。结果质量可能有所不同。了解更多信息关于我们如何产生这些答案。

13引文

具有长距离相关性的多通道反褶积：Minimax研究

具有相依长记忆误差的不规则设计的各向异性函数反褶积

当设计点$t_i$，$i=1,2，\cdots，N$，和$x_l$，$l=1,2…

长程相关的多通道反褶积：Lp-风险的上界（1≤p<∞）

基于小波的异方差多通道卷积模型函数导数估计的块阈值法

本文提出了一种基于小波分块阈值的自适应估计器，即“BlockJS估计器”，并证明了该块估计器可以达到最优的最小最大速率，或者在最不利的情况下至少接近最小最大速率。

无量纲收敛速度函数反褶积模型中的各向异性去噪

在本文中，我们考虑了基于对周期（r+1）维函数f的噪声卷积的观测来估计它的问题。我们构造了f的小波估计，导出…

具有长记忆噪声的各向异性函数反褶积：多参数分数维纳片的情况

我们研究了具有两参数分数高斯噪声的各向异性二维泛函反褶积模型的极大极小结果。我们推导了风险的下限，并且…

非规则设计的各向异性函数反褶积：一项极大极小研究

摘要研究了设计点ti和xl不规则且分别遵循已知密度h1和h2的二元情形下的各向异性函数反褶积模型。在…

具有长记忆相关误差的各向异性泛函傅里叶反褶积：极大极小研究。

当观测值受到长记忆的影响时，我们研究了各向异性泛函反褶积模型的极大极小结果。在关于协方差的特定条件下…

非参数和经验贝叶斯估计方法

两种不同的非参数模型；对经验贝叶斯模型和函数反褶积模型进行了研究，结果表明，通过选择混合平滑的贝索夫球，可以避免“维数灾难”，并在r较大时获得比通常更高的收敛速度。

圆群傅里叶分析中有限差分的尖锐性结果

让G表示群ℝ 或T，设l表示G的单位元，设s∈ℕ 给出。那么，s阶差是一个函数f∈L^2（G），其中有a∈G和G∈L*2（G…

31参考文献

周期boxcar反褶积与丢番图逼近

我们考虑在加性高斯白噪声中观察到的周期函数与区间指示函数boxcar卷积后的非参数估计。这是一个…

全LEBESGUE测度集上的自适应BOXCAR反褶积

我们考虑在白噪声中观察到的函数与区间（a；a）的指示符boxcar卷积后的非参数估计。约翰斯通（Johnstone）最近发表的一篇论文中，…

周期环境中的函数反褶积：统一情况

我们在周期设置中扩展反褶积来处理函数数据。由此产生的函数反褶积模型可以被视为…

周期设置中的小波反褶积

估计范式背后的理论给出了该方法“最大值”的完整表征：该方法在各种Lp损失函数中获得接近最佳收敛速度的函数集。

带噪声特征值的小波反褶积

定义了WaveD估计器的一个版本，当与噪声特征值一起使用时，该版本是近最优的，该方法的一个关键特征包括数据驱动方法，用于选择WaveD估计中的精细分辨率级别。

关于“反问题的统计方法”会议的讨论

Johnstone、Kerkyacharian、Picard和Raimondo Johnstone，Kerkyacharian、Pichard和Raimondo对估算f的逆问题感兴趣，其中f与g卷积，然后…

卷积方程组、反卷积、香农采样、小波和Gabor变换

如果函数$\mu$是有时间限制的（紧支集）且非奇异的，则证明了该反褶积问题是不适定的，如果卷积器集满足强互质的条件，则f的求解问题是适定的。

周期设置下的平移不变量反褶积

提出了一种在O（n（log（n）2）步内对所有循环移位“循环旋转”周期带限小波估计器的算法，并充分利用了快速傅里叶变换。

周期设置中的同步小波反褶积

摘要。  本文提出了一种周期性背景下的反褶积方法，该方法结合了Johnstone等人基于快速小波和傅里叶变换的估计过程这两个重要思想。…

线性反问题的小波-Vaguelette分解非线性解

这项工作建议通过非线性“收缩”噪声间接数据的WVD系数来解决不适定线性逆问题，方法是对已知位于凹凸代数或有界变化中的对象实现比任何线性过程更快的收敛速度。