AvBasis.wst2D(wavethresh)
AvBasis.wst2D()所属R语言包：wavethresh
Perform basis averaging for (packet-ordered) 2D non-decimated wavelet transform.
执行依据平均（分组有序）二维非抽取小波变换。
译者：生物统计家园网 机器人LoveR
描述----------Description----------
Perform basis averaging for (packet-ordered) 2D non-decimated wavelet transform.
执行依据平均（分组有序）二维非抽取小波变换。
用法----------Usage----------
## S3 method for class 'wst2D':
AvBasis(wst2D, ...)
参数----------Arguments----------
参数：wst2D
An object of class wst2D that contains coefficients of a packet ordered 2D non-decimated wavelet transform (e.g. produced by the wst2D function.
类的一个对象wst2D包含的数据包系数下令二维非抽取小波变换（例如wst2D功能的。
参数：...
any other arguments
任何其他参数
Details
详细信息----------Details----------
The packet-ordered 2D non-decimated wavelet transform computed by wst2D computes the coefficients of an input matrix with respect to a library of all shifts of wavelet basis functions at all scales. Here "all shifts" means all integral shifts with respect to the finest scale coefficients with shifts in both the horizontal and vertical directions, and "all scales" means all dyadic scales from 0 (the coarsest) to J-1 (the finest) where 2^J = n where n is the dimension of the input matrix. As such the packet-ordered 2D non-decimated wavelet transform contains a library of all possible shifted wavelet bases.
分组排序，wst2D计算系数在所有尺度上的所有班次的小波基函数库的输入矩阵二维非抽取小波变换计算。这里的“变化”是指所有积分的变化，在水平和垂直方向上的变化，以最优秀的尺度系数，和“尺度”是指所有二进尺度从0（最粗），J-1（最好） 2^J = nn是输入矩阵的尺寸。这样的分组排序，2D非抽取小波变换包含所有可能的移小波基库。
Basis averaging. Rather than select a basis it is often useful to preserve information from all of the bases. For examples, in curve estimation, after thresholding, the coefficients are coefficients of an estimate of the truth with respect to all of the shifted basis functions. Rather than select one of them we can average over all estimates. This sometimes gives a better curve estimate and can, for examples, get rid of Gibbs effects. See Coifman and Donoho (1995) for more information on how to do curve estimation using the packet ordered non-decimated wavelet transform, thresholding and basis averaging. See Lang et al. (1995) for further details of surface/image estimation using the 2D non-decimated DWT.
基准的平均值。而不是选择的基础，它是非常有用的信息保存碱基。曲线估计中，对于实施例中，阈值化后的系数的系数的估计值相对于所有的移位的基函数的真理。而不是选择其中之一，我们可以平均超过所有的估计。有时，这给出了一个更好的曲线估计的例子，可以摆脱吉布斯效应。 Coifman和Donoho提出（1995年）的更多信息，如何使用包下令非抽取小波变换，阈值和基础平均曲线估计。见Lang等人。 （1995）面/图像估计使用二维非锐减DWT的进一步详情。
值----------Value----------
A square matrix of dimension $2^nlevels$ containing the average-basis “reconstruction” of the wst2D object.
方阵尺寸为$ 2 ^ NLEVELS的平均基础wst2D对象的“改造”。
RELEASE----------RELEASE----------
Version 3.9 Copyright Guy Nason 1998
版本3.9版权所有1998年盖利晨
（作者）----------Author(s)----------
G P Nason
参见----------See Also----------
wst2D, wst2D.object
wst2D，wst2D.object
实例----------Examples----------
#[]
# Generate some test data[生成一些测试数据。]
#[]
#test.data <- matrix(rnorm(16), 4,4)[< - 矩阵test.data（rnorm（16），4,4）]
#[]
# Now take the 2D packet ordered DWT [现在的2D包下令DWT]
#[]
#tdwst2D <- wst2D(test.data)[tdwst2D < - wst2D（test.data）]
#[]
# Now "invert" it using basis averaging[现在，“反转”基础上平均]
#[]
#tdwstAB <- AvBasis(tdwst2D)[tdwstAB < - AvBasis（tdwst2D）]
#[]
# Let's compare it to the original[让我们来比较一下原来的]
#[]
#sum( (tdwstAB - test.data)^2)[SUM（（tdwstAB - test.data）^ 2）]
#[]
# [1] 1.61215e-17[[1] 1.61215e-17]
#[]
# Very small. They're essentially same.[非常小的。他们本质上是相同的。]
#[]
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。
|
发表于 2012-10-1 17:12:58
