Momentos de fuga

Estoy leyendo un libro titulado "Ondas bidimensionales y sus parientes" de Antoine et al. y habla de momentos de fuga . Tengo problemas para entender el significado exacto de esto. ¿Alguien puede dar una idea sobre los momentos de fuga?

ingrese la descripción de la imagen aquí

wavelet

— mkuse
fuente

¿Quizás podría decir cuál de los cientos de artículos sobre wavelets está leyendo? ¿Y en qué contexto se usa la frase "momento de fuga"?

— Dilip Sarwate

Estoy leyendo un libro titulado "Ondas bidimensionales y sus parientes" de Antoine et al. Tengo una foto del lugar exacto al que me refiero. Encuéntrelo

— mkuse

En resumen, si una wavelet tiene

n

$n$ momentos de fuga, el resultado de filtrar un

n

$n$ el polinomio de sexto grado con esta wavelet será 0.

— Phonon

Esta es una explicación intuitiva "para tontos" No sé sobre wavelets continuas, pero en wavelets discretos, un wavelet con

n

$n$ momentos de fuga, producen bajos coeficientes en las partes de los datos que pueden ser abordados por un polinomio con grado

n

$n$ . Facilita la identificación de partes de los datos como "polinomios de orden

n

$n$ "Esto debería ser un comentario, y no una respuesta, pero no se me permite comentar.

— zexot

Respuestas:

Un momento es una generalización de la noción en la física del momento de una masa (punto) sobre un eje que es el producto de la masa y la distancia desde el eje.

Para una variable aleatoria continua $X$ con función de densidad de probabilidad $f(x)$ , la $n$ -el momento es

m_{n} = \int_{- \infty}^{\infty} x^{n} f (x) d x .

$m_n = \int_{-\infty}^\infty x^n f(x)\,\mathrm dx.$ El momento cero es

1

$1$ (el área debajo de la densidad es

1

$1$ ), el primer momento se denomina valor medio o esperado de la variable aleatoria y el segundo momento el valor cuadrado medio. Tenga en cuenta que desde

f (x) \geq 0

$f(x) \geq 0$ , el segundo momento no puede ser cero.

Aún más generalmente, el $n$ -th momento de una función arbitraria $f(x)$ Puede ser definido como

m_{n} = \int_{- \infty}^{\infty} x^{n} f (x) d x .

$m_n = \int_{-\infty}^\infty x^n f(x)\,\mathrm dx.$ Ahora la restricción del momento cero es

1

$1$ y el segundo momento de ser positivo ya no es aplicable, y el "momento de fuga" es simplemente una forma elegante de decir que

f (x)

$f(x)$ debe ser tal que

m_{0} = m_{1} = m_{2} = \dots m_{N} = 0

$m_0 = m_1 = m_2 = \cdots m_N = 0$ . En particular,

m_{0}

$m_0$ es el valor DC de la wavelet y los autores insisten en que el valor DC sea

0

$0$ .

— Dilip Sarwate
fuente

Una de las aplicaciones de la transformada wavelet (¡continua!) Es la detección y caracterización de señales fractales. Para eso, en particular, la naturaleza de las singularidades subyacentes se vuelve importante. Las singularidades se caracterizan por su exponente de Höldner. En ese contexto, el número de momentos de fuga de la wavelet de análisis se vuelve importante. Necesita tener al menos tantos momentos de fuga como el orden del exponente de Höldner para ser descubierto por él.

— André Bergner
fuente