Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Bayesian wavelet de-noisi… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Bayesian wavelet de-noising with the caravan prior

Artikel i vetenskaplig tidskrift
Författare S. Gugushvili
F. van der Meulen
Moritz Schauer
P. Spreij
Publicerad i Esaim-Probability and Statistics
Volym 23
Sidor 947-978
ISSN 1292-8100
Publiceringsår 2020
Publicerad vid Institutionen för matematiska vetenskaper
Sidor 947-978
Språk en
Länkar dx.doi.org/10.1051/ps/2019019
Ämnesord Caravan prior, discrete wavelet transform, Gamma markov chain, Gibbs, sampler, regression, wavelet de-noising, markov random-fields, horseshoe estimator, variable selection, Mathematics
Ämneskategorier Matematik

Sammanfattning

According to both domain expert knowledge and empirical evidence, wavelet coefficients of real signals tend to exhibit clustering patterns, in that they contain connected regions of coefficients of similar magnitude (large or small). A wavelet de-noising approach that takes into account such a feature of the signal may in practice outperform other, more vanilla methods, both in terms of the estimation error and visual appearance of the estimates. Motivated by this observation, we present a Bayesian approach to wavelet de-noising, where dependencies between neighbouring wavelet coefficients are a priori modelled via a Markov chain-based prior, that we term the caravan prior. Posterior computations in our method are performed via the Gibbs sampler. Using representative synthetic and real data examples, we conduct a detailed comparison of our approach with a benchmark empirical Bayes de-noising method (due to Johnstone and Silverman). We show that the caravan prior fares well and is therefore a useful addition to the wavelet de-noising toolbox.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?