WikiDer > Фильтр Колмогорова – Зурбенко

Эта статья может требовать уборка встретиться с Википедией стандарты качества. Конкретная проблема: Некоторые из них сильно расходятся с нормами WP: МОСМАТ. Я убрал кое-что из этого, но это еще не все. Пожалуйста помоги улучшить эту статью если вы можете. (Август 2020 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

В Фильтр Колмогорова – Зурбенко (KZ) был впервые предложен А.Н. Колмогоров и формально определен Зурбенко.^[1] Это серия итерации из скользящая средняя фильтр длины м, куда м является положительным нечетным целым числом. Фильтр KZ относится к классу фильтры нижних частот. У фильтра KZ есть два параметра, длина м окна скользящего среднего и количество итераций k самой скользящей средней. Также его можно рассматривать как особый оконная функция предназначен для устранения спектральной утечки.

Андрей Колмогоров и Игорь Зурбенко на исследовательском корабле в Тихом океане.

Андрей Колмогоров и Игорь Зурбенко

Игорь Зурбенко, Э.Парзен, Т.В. Андерсон и Департамент статистики Калифорнийского университета в Беркли

Эта статья предоставляет недостаточный контекст для тех, кто не знаком с предметом. Пожалуйста помоги улучшить статью к обеспечение большего контекста для читателя. (Январь 2012 г.) (Узнайте, как и когда удалить этот шаблон сообщения)

Фон

Первоначальная идея фильтра KZ возникла у А. Н. Колмогорова при исследовании турбулентность в Тихом океане.^[1] Колмогоров только что получил Международный Приз Бальзана за его закон 5/3 в энергетическом спектре турбулентности. Удивительно, но закон 5/3 не соблюдается в Тихом океане, что вызывает большую озабоченность. Стандарт быстрое преобразование Фурье (БПФ) был полностью обманут шумной и нестационарной океанской средой. КЗ-фильтрация разрешила проблему и позволила доказать закон Колмогорова в этой области. Конструкция фильтра основана на основных принципах непрерывного преобразование Фурье и их дискретные аналоги. В алгоритм фильтра KZ возникли из определения производных высшего порядка для дискретных функций как разностей высшего порядка. Полагая, что бесконечная гладкость в Гауссово окно было красивым, но нереалистичным приближением по-настоящему дискретного мира, Колмогоров выбрал конечное дифференцируемый сужающееся окно с конечной опорой и создал эту математическую конструкцию для дискретного случая.^[1] Фильтр KZ надежен и почти оптимален. Поскольку его действие представляет собой простую скользящую среднюю (MA), фильтр KZ хорошо работает в среде с отсутствующими данными, особенно в многомерных временных рядах, где проблема с отсутствием данных возникает из-за пространственной разреженности. Еще одна приятная особенность фильтра KZ заключается в том, что два параметра имеют четкую интерпретацию, поэтому они могут быть легко приняты специалистами в разных областях. В популярном статистическом программном обеспечении R было разработано несколько программных пакетов для временных рядов, продольных и пространственных данных, которые облегчают использование фильтра KZ и его расширений в различных областях. И.Зурбенко Постдокторантура Калифорнийского университета в Беркли с Ежи Нейман и Элизабет Скотт предоставил множество идей приложений, поддерживаемых в контактах с Мюррей Розенблатт, Роберт Шамуэй, Харальд Крамер, Дэвид Бриллинджер, Герберт Роббинс, Уилфрид Диксон, Эмануэль Парзенсм. нижнюю картинку Игорь Зурбенко с Э.Парзен, Т.В. Андерсоном и Департаментом статистики Калифорнийского университета в Беркли.

Определение

KZ фильтр

Позволять ${ Displaystyle {Икс (т) }, т = 0, PM 1, PM 2, точки}$ быть ценный Временные ряды, фильтр KZ с параметры ${ displaystyle m}$ и ${ displaystyle k}$ определяется как

${ Displaystyle KZ_ {m, k} [X (t)] = sum _ {s = -k (m-1) / 2} ^ {k (m-1) / 2} {X (t + s) times {a_ {s} ^ {m, k}}}}$

где коэффициенты

${ displaystyle a_ {s} ^ {m, k} = { frac {c_ {s} ^ {k, m}} {m ^ {k}}}, s = { frac {-k (m-1 )} {2}}, dots, { frac {k (m-1)} {2}}}$

даны многочлен коэффициенты полученный из уравнения

${ displaystyle sum _ {r = 0} ^ {k (m-1)} {z ^ {r} c_ {rk (m-1) / 2} ^ {k, m} = (1 + z + dots + z ^ {m-1}) ^ {k}}}$

С другой стороны, фильтр KZ с параметрами ${ displaystyle m}$ и ${ displaystyle k}$ можно определить как ${ displaystyle k}$ временные итерации фильтра скользящего среднего (MA) ${ displaystyle m}$ точки. Его можно получить путем итераций.

Первая итерация - применить фильтр MA к процессу. ${ Displaystyle X (т)}$

${ Displaystyle KZ_ {м, к = 1} [Икс (т)] = сумма _ {s = - (м-1) / 2} ^ {(м-1) / 2} {X (т + s) } times { frac {1} {m}}}$

Вторая итерация заключается в применении операции MA к результату первой итерации,

${ Displaystyle { begin {align} & KZ_ {m, k = 2} [X (t)] = sum _ {s = - (m-1) / 2} ^ {(m-1) / 2} { KZ_ {m, k = 1} [X (t + s)] times { frac {1} {m}}} = {} & sum _ {s = -2 (m-1) / 2 } ^ {2 (m-1) / 2} {X (t + s) times {a_ {s} ^ {m, k = 2}}} end {выровнено}}}$

Обычно k-я итерация - это применение фильтра MA к (k - 1) итерация. Итерационный процесс простой операции МА очень удобен в вычислительном отношении.

Характеристики

Функция импульсного отклика продукта фильтров представляет собой свертку импульсных откликов. Коэффициенты фильтра KZ а^м,k
_s, можно интерпретировать как распределение полученный свертка из k равномерные дискретные распределения на интервале [ −(м − 1)/2 , (м − 1)/2 ] куда м нечетное целое число. Следовательно, коэффициент а
образует сужающееся окно у которого есть конечная поддержка [ (м − 1)k + 1]. Фильтр KZ а
имеет основной вес, сконцентрированный на длине м√k с весами, обращающимися к нулю снаружи. Функция импульсной характеристики фильтра KZ имеет k − 2 непрерывные производные и асимптотически распределены по Гауссу. Нулевые производные на краях для функция импульсного отклика сделать из него резко убывающую функцию, разрешающуюся в высокочастотном разрешении. Энергия функция передачи фильтра KZ

${ displaystyle | B_ {m, k} ( omega) | ^ {2} = left {{ frac {1} {m}} { frac { sin ( pi m omega)} { sin ( pi omega)}} right } ^ {2k}.}$

Это фильтр нижних частот с частотой среза

${ displaystyle omega _ {0} приблизительно { frac { sqrt {6}} { pi}} { sqrt { frac {1- (1/2) ^ {1 / 2k}} {m ^ {2} - (1/2) ^ {1 / 2k}}}}.}$

Рисунок 1. Передаточная функция фильтра для k = 1.

По сравнению с фильтром MA, фильтр KZ имеет гораздо лучшие характеристики с точки зрения ослабления частотных составляющих выше частоты среза. Фильтр KZ - это, по сути, фильтр с повторяющейся скользящей средней. Его легко вычислить, и он позволяет легко справиться с отсутствующими данными. Основная часть этой процедуры - это простое усреднение доступной информации в интервале m точек без учета пропущенных наблюдений в пределах интервала. Ту же идею можно легко распространить на анализ пространственных данных. Было показано, что пропущенные значения очень мало влияют на передаточную функцию фильтра KZ.

Произвольный k будет предоставлять k мощность этой передаточной функции и уменьшит значение бокового лепестка до 0.05^k. Это будет идеальный фильтр нижних частот. Для практических целей выбор k в диапазоне от 3 до 5 обычно достаточно, когда обычная МА (k = 1) обеспечивает сильную спектральную утечку около 5%.

Оптимальность

Фильтр KZ надежен и почти оптимален. Поскольку его действие представляет собой простое скользящее среднее, фильтр KZ хорошо работает в среде с отсутствующими данными, особенно в многомерном пространстве и времени, где отсутствующие данные могут вызвать проблемы, возникающие из-за пространственной разреженности. Еще одна приятная особенность фильтра KZ заключается в том, что каждый из двух параметров имеет четкую интерпретацию, поэтому он может быть легко принят специалистами в разных областях. Программные реализации временных рядов, продольных и пространственных данных были разработаны в популярном статистическом пакете. р, которые облегчают использование фильтра KZ и его расширений в различных областях.

Фильтр KZ можно использовать для сглаживания периодограмма. Для класса случайные процессы, Зурбенко^[1] считается наихудшим сценарием, когда единственной доступной информацией о процессе является его спектральная плотность и гладкость, количественно определяемые Условие Гёльдера. Он вывел оптимальную ширину полосы спектрального окна, которая зависит от лежащей в основе гладкости спектральной плотности. Зурбенко^[1] сравнил производительность окна Колмогорова-Зурбенко (KZ) с другими обычно используемыми спектральными окнами, включая Окно Бартлетта, Окно Парзена, Окно Тьюки – Хэмминга и единого окна и показал, что результат из окна KZ наиболее близок к оптимальному.

KZ-фильтрация, разработанная как абстрактная дискретная конструкция, является надежной и статистически близкой к оптимальной.^[1] В то же время, благодаря своей естественной форме, он имеет вычислительные преимущества, позволяя анализировать пространственно-временные проблемы с данными, в которых отсутствует почти 90% наблюдений и которые представляют собой беспорядочную комбинацию нескольких различных физических явлений.^[2] Часто можно найти четкие ответы на «неразрешимые» проблемы.^[2][3] В отличие от некоторых математических разработок, KZ адаптируется специалистами в разных областях, поскольку за ним стоит четкая физическая интерпретация.^[2][3]

Расширения

Рисунок 2: Логарифм передаточной функции для КЗФТ_м,k фильтр с ν₀ = .04, м = 100 и k = 1(черный) или k = 5(красный).

Рисунок 3: Спектр сигнала, который представляет собой сумму двух синусоидальных волн с частотами 0,08 и 0,10 цикла в единицу времени плюс шум N (0,16) с 70% пропущенных значений. Для определения спектра моделируемого набора данных использовался адаптивно сглаженный алгоритм KZP.

Рисунок 4: Восстановленный сигнал, который представляет собой сумму двух синусоидальных волн с частотами 0,08 и 0,10 цикла в единицу времени от исходного сигнала с добавленным шумом ~ N (0, 16) и где 60% значений были недоступны.

Расширения фильтра KZ включают адаптивный фильтр KZ (KZA),^[1] пространственный фильтр KZ и преобразование Фурье KZ (KZFT). Ян и Зурбенко^[3] предоставил подробный обзор фильтра KZ и его расширений. Также доступны пакеты R для реализации фильтрации KZ.^[3][4][5]

КЗФТ

Фильтр KZFT предназначен для восстановления периодических сигналов или сезонности, покрытой сильным шумом. Сезонность - одна из ключевых форм нестационарности, которая часто наблюдается во временных рядах. Обычно его определяют как периодические компоненты во временном ряду. Спектральный анализ - это мощный инструмент для анализа временных рядов с учетом сезонности. Если процесс стационарный, его спектр также является непрерывной формой. Его можно рассматривать параметрически для простоты прогноза. Если в спектре есть линии, это означает, что процесс не является стационарным и содержит периодичности. В этой ситуации параметрическая подгонка обычно приводит к сезонным невязкам с пониженными энергиями. Это связано с сезонными колебаниями. Чтобы избежать этой проблемы, рекомендуются непараметрические подходы, включая полосовые фильтры.^[3] Преобразование Фурье Колмогорова – Зурбенко (КЗФТ) является одним из таких фильтров. Цель многих приложений - восстановить вейвлет высокого разрешения из зашумленной среды. Было доказано, что KZFT обеспечивает наилучшее возможное разрешение в спектральной области. Он позволяет разделить два сигнала на границе теоретически наименьшего расстояния или восстановить периодические сигналы, покрытые сильным шумом и нерегулярно наблюдаемые во времени.^[3][6] Благодаря этому KZFT предоставляет уникальные возможности для различных приложений. Компьютерный алгоритм для реализации KZFT предусмотрен в программном обеспечении R. KZFT - это, по сути, полосовой фильтр, относящийся к категории кратковременное преобразование Фурье (STFT) с уникальным временным окном.

KZFT легко обнаруживает небольшие отклонения от постоянной спектральной плотности белый шум в результате компьютера генератор случайных чисел. Такие компьютерные поколения случайных чисел становятся предсказуемыми в долгосрочной перспективе. Колмогоровская сложность дает возможность генерировать непредсказуемые последовательности случайных чисел.^[7]

Формально у нас есть процесс Икс(т),т = ...,−1,0,1,..., фильтр КЗФТ с параметрами м и k, вычисляется на частоте ν₀, производит процесс вывода, который определяется следующим образом:

${ displaystyle KZFT_ {m, k, nu _ {0}} [X (t)] = sum _ {s = -k (m-1) / 2} ^ {k (m-1) / 2} {X (t + s) times {a_ {s} ^ {m, k} times {e ^ {- i (2m nu _ {0}) s}}}}}$

куда а^м,k
_s определяется как: а^м,k
_s = C^м,k
_s/м^k, s = −k (м - 1)/2,..., −k (м - 1)/2 и полиномиальные коэффициенты C^м,k
_s дан кем-то Σ^{k(м − 1)}
_{р = 0}z^рC^{k, м}
_{р − k(м − 1)/2} = (1 + z + ... + z^{(м − 1)})^k. По-видимому КЗФТ
_{м, к, ν0}(т) [Икс(т)] фильтр эквивалентен применению КЗФТ
_{м, к}(т) фильтровать процесс Икс(т + s)е ^{− я2(mν₀)s}. Аналогично, фильтр KZFT может быть получен с помощью итераций так же, как фильтр KZ.

Среднее значение площади КЗФТ во времени за S периоды ρ₀ = 1/ν₀ обеспечит оценку квадрата амплитуды волны на частоте ν₀ или периодограмма KZ (KZP) на основе 2Sρ₀ наблюдения вокруг момента т:

${ displaystyle operatorname {KZP} (t, m, k, nu _ {0}) = 2 left | { frac {1} {2S rho _ {0}}} sum _ { tau = -S rho _ {0}} ^ {S rho _ {0}} 2 operatorname {Re} [KZFT_ {m, k, nu +0} [X ( tau + t)]] ^ {2 } right |}$

Передаточная функция KZFT представлена ​​на рисунке 2, имеет очень резкое разрешение по частоте с полосой пропускания, ограниченной c/(м√k). Для комплексного процесса Икс(т) = е^{i (2mν₀) т}, то КЗФТ_{м, к, ν0}(т) исход без изменений. Для реального процесса он равномерно распределяет энергию по реальным и сложным областям. Другими словами, 2Re [КЗФТ_{м, к, ν0}(т)] восстанавливает косинусную или синусоидальную волну той же частоты ν₀. Следует, что 2Re [КЗФТ_{м, к, ν0}(т)] правильно восстанавливает амплитуду и фазу неизвестной волны с частотой ν₀. На рисунке ниже представлена ​​функция передачи мощности фильтрации KZFT. Он ясно показывает, что он идеально уловил интересующую частоту ν₀ = 0,4 и практически не дают спектральной утечки из боковых лепестков, которые регулируются параметром k фильтрации. Для практических целей выбор k в диапазоне 3–5 обычно достаточно, когда обычное БПФ (k = 1) обеспечивает сильную утечку около 5%.

Пример: Смоделированный сигнал
грех 2π (0,10)т + грех 2π(0.02)т + нормальный случайный шум N (0,16) использовался для проверки способности алгоритма KZFT точно определять спектры наборов данных с пропущенными значениями. Из практических соображений процент пропущенных значений использовался при p = 70%, чтобы определить, может ли спектр продолжать захватывать доминирующие частоты. Используя более широкую длину окна m = 600 и k = 3 итераций, был использован адаптивно сглаженный алгоритм KZP для определения спектра для смоделированного набора продольных данных. Из рисунка 3 очевидно, что доминирующие частоты 0,08 и 0,10 цикла в единицу времени можно определить как собственные частоты сигнала.

KZFT восстановление исходного сигнала, встроенного в высокий шум продольных наблюдений (процент пропущенных 60%). KZFT-фильтр в пакете KZA программного обеспечения R-software имеет параметр ж = частота. Определяя этот параметр для каждой из известных доминирующих частот, обнаруженных в спектре, KZFT фильтрует с параметрами m = 300 и k = 3 для восстановления сигнала о каждой частоте (0,08 и 0,10 цикла в единицу времени). Восстановленный сигнал был определен путем применения фильтра KZFT дважды (один раз для каждой доминирующей частоты) и затем суммирования результатов каждого фильтра. Корреляция между истинным сигналом и восстановленным сигналом составила 96,4%; показано на рисунке 4. Исходные наблюдения не дают возможности угадать сложную скрытую периодичность, которая была полностью восстановлена ​​алгоритмом.

Необработанные данные часто содержат скрытые частоты. Комбинации нескольких волн фиксированной частоты могут усложнить распознавание смеси сигналов, но все же остаются предсказуемыми с течением времени. Публикации^[3][6] показывают, что атмосферное давление содержит скрытые периодичности, обусловленные гравитационной силой Луны и суточным периодом Солнца. Реконструкция этих периодических сигналов атмосферных приливных волн позволяет объяснять и предсказывать многие аномалии, присутствующие в экстремальных погодных условиях. Подобные приливные волны должны существовать на Солнце в результате гравитационной силы планет. Вращение Солнца вокруг своей оси вызовет ток, подобный экваториальному току на Земле. Возмущения или водовороты вокруг течения вызовут аномалии на поверхности Солнца. Горизонтальные вращающиеся водовороты в сильно магнитной плазме вызовут вертикальный взрыв, который перенесет более глубокую и горячую плазму к поверхности Солнца. Каждая планета создает на Солнце приливную волну определенной частоты. Иногда любые две волны возникают в фазе, а в других случаях - в противофазе. Результирующая амплитуда будет колебаться с разностной частотой. Оценка спектров данных о солнечных пятнах с использованием алгоритма DZ^[3][6] дает две резкие частотные линии с периодичностью около 9,9 и 11,7 лет. Эти частотные линии можно рассматривать как разностные частоты, вызванные Юпитером и Сатурном (9.9) и Венерой и Землей (11.7). Разница частот между 9,9 и 11,7 дает частоту с периодом в 64 года. Все эти периоды можно идентифицировать по данным о солнечных пятнах. Компонент 64-летнего периода в настоящее время находится в режиме снижения.^[3][4] Это снижение может вызвать охлаждающий эффект на Земле в ближайшем будущем. Изучение совместного действия нескольких планет может выявить некоторые длительные периоды солнечной активности и помочь объяснить колебания климата на Земле.

KZA

Рисунок 5a: График сигнал + сезонность + шум. Рисунок 5b: KZA реконструкция сигнала с разрывом от данных на рисунке 5a. Синяя линия - это реконструкция исходного сигнала в виде черной линии.

Рисунок 6: Применение КЗФТ_м,k к данным на рис. 5а. Обычный фильтр нижних частот не может воспроизвести перерыв в долговременной составляющей.

Адаптивная версия фильтра KZ, называемая адаптивным фильтром KZ (KZA), была разработана для поиска разрывов в непараметрических сигналах, покрытых сильным шумом. Фильтр KZA сначала определяет возможные временные интервалы, когда возникает разрыв. Затем он более тщательно исследует эти временные интервалы, уменьшая размер окна так, чтобы разрешение сглаженного результата увеличилось.

В качестве примера обнаружения точки разрыва мы моделируем долгосрочный тренд, содержащий разрыв, скрытый сезонностью и шумом. На рисунке 2 показан график сезонной синусоидальной волны с амплитудой 1 единица, нормально распределенный шум (σ = 1), и базовый сигнал с перерывом. Чтобы усложнить задачу, базовый сигнал содержит общий нисходящий тренд на 1 единицу и прорыв вверх на 0,5 единицы. Нисходящий тренд и прорыв в исходных данных практически не видны. Базовый сигнал - это ступенчатая функция. у = −1/7300т + грех (2πт), с т < 3452 и у= −1/7300(т - 3452) + грех (2πт) с 3452 < т < 7300. Применение сглаживающего фильтра нижних частот KZ_3,365 к исходным данным приводит к чрезмерному сглаживанию разрыва, как показано на рисунке 6. Положение разрыва больше не очевидно. Применение адаптивной версии фильтра KZ (KZA) обнаруживает разрыв, как показано на рисунке 5b. Построение KZA основано на адаптивной версии итерационного сглаживающего фильтра KZ. Идея состоит в том, чтобы изменить размер окна фильтрации на основе тенденций, найденных с помощью KZ. Это приведет к тому, что фильтр будет увеличивать области, в которых изменяются данные; чем быстрее изменение, тем сильнее будет зум. Первый шаг в построении KZA - использование KZ; KZ_q,k[Икс(т)] куда k это итерации и q - длина фильтра, где KZ_q,k это повторяющееся скользящее среднее у_я= 1/(2q+1)Σ^q
_{j = -q}Икс_я+j куда Икс_я исходные данные и у_я являются отфильтрованными данными. Этот результат используется для создания адаптивной версии фильтра. Фильтр состоит из головы и хвоста (q_ж и q_б) соответственно, где f = голова и b = хвост), которые регулируются по размеру в зависимости от данных, эффективно увеличивая области, где данные быстро меняются. Голова q_ж сжимается в ответ на разрыв данных. Вектор разности, построенный из KZ; D(т) = |Z(т + q) − Z(т − q)| используется для нахождения дискретного эквивалента производной D'(т) = D(т + 1) − D(т) . Этот результат определяет размеры головы и хвоста (q_ж и q_б соответственно) окна фильтрации. Если наклон положительный, голова уменьшится, а хвост расширится до полного размера (D'(т) > 0, тогда q_ж(т) = ж(D(т))q и q_б(т) = q) с ж(D(т)) = 1 - D(т)/Максимум[D(т)]. Если наклон отрицательный, верхняя часть окна будет полноразмерной, а хвостовая - усадится (D'(т) < 0, тогда q_ж(т) = q и q_б(т) = ж(D(т))q. Подробный код KZA доступен.

Рис. 7: Реконструкция квадратного изображения двумерного сигнала уровня 1, скрытого в нормальном шуме с σ = 2. Слева - зашумленное изображение, справа - нанесение на него двухмерного КЗА. Общее поле отображения 100x100 точек, исходное изображение 30x30 в центре.

Алгоритм KZA обладает всеми типичными преимуществами непараметрического подхода; он не требует какой-либо конкретной модели исследуемого временного ряда. Он ищет внезапные изменения низкочастотного сигнала любой природы, покрытые сильным шумом. KZA демонстрирует очень высокую чувствительность для обнаружения обрыва даже при очень низком отношении сигнал / шум; точность определения времени разрыва также очень высока.

Алгоритм KZA можно применять для восстановления зашумленных двумерных изображений. Это может быть двухуровневая функция f (x, y) как черно-белое изображение, поврежденное сильным шумом, или многоуровневое цветное изображение. KZA можно применять построчно для обнаружения разрыва (изменения цвета), тогда точки разрыва на разных линиях будут сглажены обычным фильтром KZ.^[3] Демонстрация пространственного KZA представлена ​​на рисунке 7.

Определение резких частотных линий в спектрах можно определить по адаптивно сглаженной периодограмме.^[3] Основная идея алгоритма - адаптивное сглаживание логарифма периодограммы KZ. Диапазон сглаживания обеспечивается некоторым фиксированным процентом условная энтропия от общего энтропия. Грубо говоря, алгоритм работает единообразно в информационной шкале, а не в шкале частот. Этот алгоритм также известен для параметра k = 1 в KZP как алгоритм Дириенцо-Зурбенко и предоставляется в программном обеспечении.

Пространственный фильтр KZ

Пространственный фильтр KZ может применяться к переменной, записанной во времени и пространстве. Параметры фильтра можно выбирать отдельно во времени и пространстве. Обычно можно применить физический смысл, какой масштаб усреднения разумен в пространстве и какой масштаб усреднения разумен во времени. Параметр k управляет резкостью разрешения фильтра или подавлением утечки частот. Алгоритмы пространственного фильтра KZ доступны в программе R. Параметр «Время исхода» можно рассматривать как виртуальное время, тогда изображения результатов фильтрации в пространстве можно отображать как «фильм» в виртуальном времени. Мы можем продемонстрировать применение трехмерного пространственного фильтра KZ применительно к мировым рекордам температуры. Т(т, Икс, у) как функция времени т, долгота Икс и широта у. Выбрать параметры составляющей глобальных колебаний климата 25 месяцев за время т, Для фильтрации KZ были выбраны 3 ° по долготе и широте. Параметр k были выбраны равными 5 для соответствия разрешающей способности масштабов. Единый слайд итогового «фильма» представлен на рисунке 8 ниже. Стандартное среднее квадратичное распределение температуры косинуса низкое^[4] по широтам были вычтены, чтобы определить колебания климата во времени и пространстве.

Рисунок 8: Глобальная долгосрочная компонента в фильтре KZ за декабрь 2007 г. м = (3 °, 3 °, 25 месяцев), k = 5, с поправкой на эффекты широты и высоты.

Мы можем видеть аномалии колебаний температуры по закону квадрата косинуса над земным шаром для 2007 года. Температурные аномалии отображаются над земным шаром в представленной шкале справа. Он показывает очень высокую положительную аномалию над Европой и Северной Африкой, которая продолжалась в течение последних 100 лет. Переменная абсолютной влажности несет ответственность за основные региональные изменения климата, как это было недавно показано Зурбенко Игорем и Смитом Девином в фильтрах Колмогорова – Зурбенко в пространственно-временном анализе. WIREs Comp Stat 2017. Дои:10.1002 / wics.1419. Эти аномалии медленно меняются во времени в итоговом «фильме» фильтрации КЗ, во времени выявлено медленное усиление наблюдаемых аномалий. Также можно идентифицировать колебания различных масштабов, такие как шкала Эль-Ниньо и другие.^[4] путем пространственной фильтрации КЗ. "Фильм" высокого разрешения этих масштабов представлен в^[4] над Северной Америкой. Различные масштабы могут быть выбраны с помощью фильтрации KZ для другой переменной и соответствующего многомерного анализа.^[3][6] может обеспечить результаты с высокой эффективностью для исследования переменной результата по сравнению с другими ковариатами. Разрешение фильтра KZ работает исключительно хорошо по сравнению с обычными методами и фактически является оптимальным с точки зрения вычислений.

Реализации

• В. Ян и И. Зурбенко. kzft: преобразование Фурье Колмогорова – Зурбенко и его применение. Пакет R, 2006 г.
• Б. Клоуз и И. Зурбенко. kza: Адаптивный алгоритм Колмогорова – Зурбенко для обнаружения изображений. Пакет R, 2016 (https://cran.r-project.org/web/packages/kza/)
• Реализация KZ и KZA Java для одномерных массивов Андреаса Вейлера и Михаэля Гроссниклауса (Университет Констанца, Германия) (https://web.archive.org/web/20140914054417/http://dbis.uni-konstanz.de/research/social-media-stream-analysis/)
• Реализация на Python KZ, KZFT и KZP Матье Шопфера (Университет Лозанны, Швейцария) (https://github.com/MathieuSchopfer/kolmogorov-zurbenko-filter)

Рекомендации