Feature-preserving interpolation and filtering of environmental time series

ما یک روش برای پر کردن شکاف ها و از بین بردن تداخل در سری زمانی برای برنامه های کاربردی شامل نظارت مستمر متغیرهای محیطی ارائه می دهیم. رویکرد غیر پارامتری است و براساس تطبیق الگوی تکراری بین قسمت های آسیب دیده و معتبر سری زمانی است. این متغیرها چندین متغیر را در فرایند تطبیق الگو در نظر می گیرد و اجازه می دهد تا وابستگی های خطی یا غیر خطی بین متغیرها را حفظ کند. عدم اطمینان در سری زمانی زمانی بازسازی شده از طریق تحقق چندانی است. این روش بر روی داده های خود پتانسیل که تحت تأثیر تداخل های شدید و شکاف داده قرار می گیرند، آزمایش می شود و نتایج نشان می دهد که روش ما اجازه می دهد تا ویژگی های طیفی سیگنال اصلی را بازتولید کنیم. حتی در حضور اختلالات سیگنال شدید، این سیگنال به طور قابل توجهی سیگنال را بهبود می بخشد و تعصب هایی را که توسط تداخلات نامتقارن معرفی می شود، تصحیح می کند. برنامه های کاربردی بالقوه گسترده هستند، از جمله ژئوفیزیک، هواشناسی و هیدرولوژی.