MODWT
DWT استاندارد پس از فیلتر کردن، نمونهبرداری را کاهش میدهد، بنابراین جابجایی ورودی به اندازه یک نمونه، ضرایب غیر صفر را کاملاً تغییر میدهد؛ این روش نسبت به جابجایی ناوردا نیست. MODWT با افزایش نمونهبرداری فیلترها به جای کاهش نمونهبرداری دادهها، تمام نمونهها را در هر مقیاس حفظ میکند. این امر ضرایب با طول کامل (N) را در هر مقیاس تولید میکند (مشابه طول ورودی)، که تمام نوسانات را صرف نظر از فاز زمانی آنها آشکار میسازد. این شبیه به استفاده از وضوح زمانی دقیقتر است که هر همترازی ممکن سیگنال با موجکها را ثبت میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Percival, D. B., & Walden, A. T. (1995). Wavelet Methods for Time Series Analysis. Cambridge University Press. link ↗
- Percival, D. B. (2000). Wavelet methods for time series analysis. Cambridge University Press. link ↗
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 3). Maximal Overlap Discrete Wavelet Transform. ScholarGate. https://scholargate.app/fa/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.
- تبدیل موجک گسستهسریهای زمانی↔ compare
- همبستگی موجکسریهای زمانی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →