ScholarGate
Asistente
Process / pipelineTranslation-invariant wavelet decomposition

Maximal Overlap Discrete Wavelet Transform

La DWT estándar submuestrea después del filtrado, por lo que desplazar la entrada una muestra cambia completamente qué coeficientes son distintos de cero; no es invariante al desplazamiento. La MODWT mantiene todas las muestras en cada escala sobremuestreando los filtros en lugar de submuestrear los datos. Esto produce N coeficientes en cada escala (igual a la longitud de entrada), revelando todas las oscilaciones independientemente de su fase temporal. Es como usar una resolución temporal más fina que captura cada posible alineación de la señal con las wavelets.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Fuentes

  1. Percival, D. B., & Walden, A. T. (1995). Wavelet Methods for Time Series Analysis. Cambridge University Press. link
  2. Percival, D. B. (2000). Wavelet methods for time series analysis. Cambridge University Press. link
  3. Whitcher, B., Guttorp, P., & Percival, D. B. (2000). Wavelet analysis of covariance with application to atmospheric time series. Journal of Geophysical Research, 105(D11), 14941–14962. DOI: 10.1029/2000JD900110

Cómo citar esta página

ScholarGate. (2026, June 3). Maximal Overlap Discrete Wavelet Transform. ScholarGate. https://scholargate.app/es/time-series/modwt

Which method?

Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.

Compare side by side

Citado por

ScholarGateMODWT (Maximal Overlap Discrete Wavelet Transform). Recuperado el 2026-06-15 de https://scholargate.app/es/time-series/modwt · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026