کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6876694 691289 2015 32 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Univariate subdivision schemes for noisy data with geometric applications
ترجمه فارسی عنوان
طرح های تقسیم بندی یکنواخت برای داده های پر سر و صدا با برنامه های هندسی
کلمات کلیدی
طرح های زیربخش، کمترین مربعات، تجزیه و تحلیل همگرایی، داده های پر سر و صدا،
ترجمه چکیده
ما معرفی و تجزیه و تحلیل طرح های یکنواخت، خطی و ایستگاه های تقسیم بندی برای رفع داده های پر سر و صدا با نصب چندجملهای کمترین مربع محلی. این اولین تلاش برای طراحی طرح های زیربنایی برای داده های پر سر و صدا است. ما طرحهای اولیه، با قوانین پالایش مبتنی بر چندجمله ای خطی محلی به داده ها ارائه می دهیم، و همگرا، صافی و توابع محدود پایه را مطالعه می کنیم. سپس، ما چندین آزمایش عددی را ارائه می دهیم که توابع محدود تولید شده توسط این طرح ها را از داده های نویز اولیه نشان می دهد. استفاده از یک روش رگرسیون خطی پیشرفته محلی به داده های مشابه نشان می دهد که روش ها قابل مقایسه هستند. علاوه بر این، چندین برنامه افزودنی و انواع مختلف مورد بحث قرار گرفته و عملکرد آنها به صورت مثال نشان داده شده است. ما با اعمال طرح ها به داده های پر سر و صدا هندسی نتیجه گیری می کنیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر گرافیک کامپیوتری و طراحی به کمک کامپیوتر
چکیده انگلیسی
We introduce and analyze univariate, linear, and stationary subdivision schemes for refining noisy data by fitting local least squares polynomials. This is the first attempt to design subdivision schemes for noisy data. We present primal schemes, with refinement rules based on locally fitting linear polynomials to the data, and study their convergence, smoothness, and basic limit functions. Then, we provide several numerical experiments that demonstrate the limit functions generated by these schemes from initial noisy data. The application of an advanced local linear regression method to the same data shows that the methods are comparable. In addition, several extensions and variants are discussed and their performance is illustrated by examples. We conclude by applying the schemes to noisy geometric data.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Aided Geometric Design - Volume 37, August 2015, Pages 85-104
نویسندگان
, , , ,