Estymacja wariancji składnika losowego w szeregach czasowych przy pomocy cyfrowych filtrów wygładzających

• Autorzy: Pęksiński J. , Mikołajczak G. , Kowalski J.

Warianty tytułu

EN

Estimation of the variance of the random component in the time series with digital smoothing filters

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono metodę estymacji poziomu zakłócenia opartą o filtrację medianową i założenie, że w procesie wygładzania tłumiony jest tylko szum. Znajomość współczynnika redukcji szumu dla filtracji medianowej, pozwala wyznaczyć wartość estymowanej wielkości.

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

szereg czasowy; cyfrowy filtr wygładzający; metody estymacji; filtracja medianowa

EN

time series; digital smoothing filter; estimation methods; median filtering

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2014
• Tom: nr 3
• Strony: 5047--5052
• Opis fizyczny: Bibliogr. 10 poz., tab., wykr., CD1

Twórcy

autor

Pęksiński J.

• Zachodniopomorski Uniwersytet Technologiczny, Katedra Telekomunikacji i Fotoniki, ul. 26 Kwietnia 10, 71-126 Szczecin

autor

Mikołajczak G.

• Zachodniopomorski Uniwersytet Technologiczny, Katedra Telekomunikacji i Fotoniki, ul. 26 Kwietnia 10, 71-126 Szczecin

autor

Kowalski J.

• Pomorski Uniwersytet Medyczny, Samodzielna Pracownia Informatyki Medycznej i Badań Jakości Kształcenia, ul. Rybacka 1, 70-204 Szczecin

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. Liiti¨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