R语言 SpherWave包 swr()函数中文帮助文档(中英文对照)

loveR

swr(SpherWave)
swr()所属R语言包：SpherWave

                                        Spherical Wavelet Reconstruction of ‘swd’ Object
                                         “社署”对象的球面小波重构

                                         译者：生物统计家园网 机器人LoveR

描述----------Description----------

This function performs spherical wavelet reconstruction.
这个函数执行球面小波重建。


用法----------Usage----------


swr(swd)



参数----------Arguments----------

参数：swd
an object of class "swd"
对象类“社署”


Details

详细信息----------Details----------

This function performs spherical wavelet reconstruction.
这个函数执行球面小波重建。


值----------Value----------

<table summary="R valueblock"> <tr valign="top"><td>recon</td> <td> the spherical wavelet reconstruction</td></tr> </table>
<table summary="R valueblock"> <tr valign="top"> <TD> recon</ TD> <TD>球面小波重建</ TD> </ TR> </ TABLE>


参考文献----------References----------

Oh, H-S. and Li, T-H. (2004) Estimation of global temperature fields from scattered observations by  a spherical-wavelet-based spatially adaptive method. Journal of the Royal Statistical Society Ser. B, 66, 221&ndash;238.

参见----------See Also----------

sbf, swd, swthresh
sbf，swd，swthresh


实例----------Examples----------


### Observations of year 1967[＃＃1967年的观察]
#data(temperature)[数据（温度）]
#names(temperature)[名称（温度）]

# Temperatures on 939 weather stations of year 1967    [1967年的939个气象站的温度]
#temp67 &lt;- temperature$obs[temperature$year == 1967] [temp67 < - 温度美元OBS [温度年== 1967]]
# Locations of 939 weather stations    [939个气象站的位置]
#latlon &lt;- temperature$latlon[temperature$year == 1967, ][latlon < - 的温度美元latlon [温度年== 1967年]]

### Network design by BUD[＃＃网络设计BUD]
#data(netlab)[数据（NETLAB）]

### Bandwidth for Poisson kernel[＃＃泊松核的带宽]
#eta &lt;- c(0.961, 0.923, 0.852, 0.723, 0.506)[ETA  -  C（0.961，0.923，0.852，0.723，0.506）]

### SBF representation of the observations by pls[＃＃的SBF表示，观察PLS]
#out.pls &lt;- sbf(obs=temp67, latlon=latlon, netlab=netlab, eta=eta, [SBF（OBS = temp67，latlon latlon，NETLAB = NETLAB，η= ETA，out.pls < - ]
#    method="pls", grid.size=c(50, 100), lambda=0.89)[方法=“PLS”，grid.size = C（50，100），λ= 0.89）]

### Decomposition[＃＃分解]
#out.dpls &lt;- swd(out.pls)[out.dpls < - 社署（out.pls）]

### Thresholding[＃＃阈值]
#out.univ &lt;- swthresh(out.dpls, policy="universal", by.level=TRUE, [out.univ < -  swthresh（out.dpls，政策=“通用”，by.level = TRUE，]
#    type="hard", nthresh=4)  [=“硬”，nthresh = 4）]

### Reconstruction[＃＃重建]
#out.rec &lt;- swr(out.univ)[out.rec < -  SWR（out.univ）]
#sw.plot(z=out.rec, type="recon", xlab="", ylab="")[sw.plot（&#382;= out.rec，类型为“侦察”，xlab =“”，ylab =“）]

转载请注明:出自 生物统计家园网(http://www.biostatistic.net)。


注：
注1：为了方便大家学习，本文档为生物统计家园网机器人LoveR翻译而成，仅供个人R语言学习参考使用，生物统计家园保留版权。
注2：由于是机器人自动翻译，难免有不准确之处，使用时仔细对照中、英文内容进行反复理解，可以帮助R语言的学习。
注3：如遇到不准确之处，请在本贴的后面进行回帖，我们会逐渐进行修订。