Estymacja poziomu zakłócenia w szeregach czasowych przy pomocy filtru medianowego

• Autorzy: Mikołajczak G. , Pęksiński J.

Warianty tytułu

EN

Estimation of the level of disturbance in time series using a median filter

• Konferencja: Computer Applications in Electrical Engineering 2014 (28-29.04.2014; Poznań, Polska)
• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono metodę estymacji poziomu zakłócenia wykorzystującą filtrację medianową oraz znajomość współczynnika redukcji szumu. Zakłada się, że w procesie wygładzania tłumiony jest tylko szum, bez zmiany sygnału użytecznego. Poziom tłumienia szumu dla filtracji medianowej, znany jest a priori, co pozwala na dokładniejszą estymację poziomu wariancji składnika losowego szeregu czasowego.

EN

This paper presents a method of estimating the level of disturbance, based on median filtration and the assumption that the smoothing process applies to noise, exclusively. The knowledge of a noise reduction coefficient enables the determining of an estimated quantity.

Słowa kluczowe

PL

filtr medianowy; estymacja wariancji zakłócenia; szeregi czasowe

• Wydawca: Wydawnictwo Politechniki Poznańskiej
• Czasopismo: Poznan University of Technology Academic Journals. Electrical Engineering
• Rocznik: 2014
• Tom: No. 80
• Strony: 205--210
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Mikołajczak G.

• Zachodniopomorski Uniwersytet Technologiczny

autor

Pęksiński J.

• Zachodniopomorski Uniwersytet Technologiczny

Bibliografia

• [1] L. Ljung, System identification theory for User. Prentice-Hall, Englewood CliPs, NJ, 1987.
• [2] H. Poor, An Introduction to Signal Detection and Estimation. New York: Springer-Verlag, 1985.
• [3] P.G. Ferrario, Local Variance Estimation for Uncensored and Censored Observations, Springer Vieweg, 2013.
• [4] S.K. Mitra, J.F.Kaiser, Handbook Digital Signal Processing, John Willey 1993.
• [5] A. Jones, “New tools in non-linear modelling and prediction,” Computational Management Science, vol. 1, no. 2, pp. 109-149, Jul. 2004.
• [6] M. Neumann, “Fully data-driven nonparametric variance estimators” Statistics, vol. 25, pp. 189-212, 1994.
• [7] J. Kowalski, J. Peksinski, G. Mikolajczak, “Detection of noise in digital images by using the averaging filter name COV“ Intelligent Information and Database Systems 5th Asian Conference, ACIIDS 2013, Proceedings, Pt. 2 eds.: Ali Selamat, Ngoc Thanh Nguyen, Habibollah Haron Berlin [i in.]: Springer, pp. 1-8, 2013.
• [8] H. Pi and C. Peterson, “Finding the embedding dimension and variable dependencies in time series, Neural Computation, vol. 6, no. 3, pp. 509-520, 1994.
• [9] E. Eirola, E. Liitt ̈ainen, A. Lendasse, F. Corona, and M. Verleysen, “Using the delta test for variable selection,” in ESANN 2008, European Symposium on Artificial Neural Networks, Bruges (Belgium), pp. 25-30, 2008.
• [10] J. Peksinski, M. Stefanowski, G. Mikolajczak, Estimating the level of noise in digital images. Intelligent multimedia technologies for networking applications: techniques and tools ed. Dimitris N. Kanellopoulos Information Science Reference, pp. 409-433, 2013.