MODWT
La DWT standard sottocampiona dopo il filtraggio, quindi spostare l'input di un campione cambia completamente quali coefficienti sono non nulli: non è invariante allo spostamento. La MODWT mantiene tutti i campioni ad ogni scala sovra-campionando i filtri invece di sottocampionare i dati. Questo produce N coefficienti ad ogni scala (uguale alla lunghezza dell'input), rivelando tutte le oscillazioni indipendentemente dalla loro fase temporale. È come usare una risoluzione temporale più fine che cattura ogni possibile allineamento del segnale con le wavelet.
Leggi il metodo completo
Accedi con un account gratuito per leggere questa sezione.
Method map
The neighbourhood of related methods — select a node to explore.
Fonti
- 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 ↗
Come citare questa pagina
ScholarGate. (2026, June 3). Maximal Overlap Discrete Wavelet Transform. ScholarGate. https://scholargate.app/it/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.
- Trasformata Wavelet DiscretaSerie storiche↔ compare
- Coerenza waveletSerie storiche↔ compare
Citato da
Hai notato un problema in questa pagina? Segnalalo o proponi una correzione →