Login per gli autoriAnteprima |
Documento PDF
Download (2MB) | Anteprima |
Abstract
We provide a common approach for studying several nonparametric estimators used for smoothing functional data. Linear filters based on different building assumptions are transformed into kernel functions via reproducing kernel Hilbert spaces. For each estimator, we identify a density function or second order kernel, from which a hierarchy of higher order estimators is derived. These are shown to give excellent representations for the currently applied symmetric filters. In particular, we derive equivalent kernels of smoothing splines in Sobolev and polynomial spaces. The asymmetric weights are obtained by adapting the kernel functions to the length of the various filters, and a theoretical and empirical comparison is made with the classical estimators used in real time analysis. The former are shown to be superior in terms of signal passing, noise suppression and speed of convergence to the symmetric filter.
Altri metadati
La presente opera può essere liberamente consultata ed utilizzata, può essere riprodotta in via permanente in formato digitale (c.d. salvataggio) e può esserne effettuata la stampa su carta con apparecchiature private (senza ricorso a terzi operatori professionali), per fini strettamente ed esclusivamente personali, di ricerca o didattica, con espresso divieto di qualunque utilizzo direttamente o indirettamente commerciale, salvo diverso accordo espresso fra il singolo utente e l'autore o il titolare dei diritti sull'opera. E' altresì consentita, sempre per i medesimi fini sopra citati, la ritrasmissione via rete telematica, la distribuzione o l'invio in qualunque forma dell'opera, compresa quella con indirizzamento personale per via telematica (e-mail), purchè sia sempre chiaramente indicato il link completo alla pagina del Sito di Alma DL in cui detta opera è presente. Ogni altro diritto sull'opera è riservato.
Statistica sui download
Statistica sui download
Gestione del documento:
