从随机序列中提取强测量噪声：在经验数据中的应用
混沌动力学
2013-01-01 v2
摘要
在实验数据分析中，将不可避免的测量噪声与内在的动力学噪声分离开来是一项巨大的挑战。在此，我们提出了一种通用的操作方法，可从随机时间序列中提取测量噪声，即使测量噪声与未受污染信号的振幅处于同一数量级亦适用。我们的方法基于最近发展的一种 Langevin 过程非参数重构方法。通过最小化一个适当的非负函数，该过程能够正确提取强测量噪声，并估计描述原始未受损信号演化的 Langevin 方程中的漂移系数和扩散系数。作为输入，该算法仅使用直接从随机序列中提取的前两个条件矩，因此适用于广泛的各种不同信号。为了证明该方法的有效性，我们将该算法应用于合成数据以及气候学测量数据，即每日北大西洋涛动指数，为探讨其底层物理过程的性质提供了新的视角。
引用
@article{arxiv.0912.2844,
title = {Extracting strong measurement noise from stochastic series: applications to empirical data},
author = {Pedro G. Lind and Maria Haase and Frank Böttcher and Joachim Peinke and David Kleinhans and Rudolf Friedrich},
journal= {arXiv preprint arXiv:0912.2844},
year = {2013}
}
备注
15 pages, 9 figures