[论文解读] Wavelet-based Estimator for the Hurst Parameters of Fractional Brownian Sheet

Liang Wu, Yiming Ding|arXiv (Cornell University)|Feb 3, 2015

Complex Systems and Time Series Analysis参考文献 20被引用 3

一句话总结

本文提出了一种基于小波的两步广义最小二乘估计器，用于多维设置下分数布朗面的赫斯特参数估计。通过利用小波分解和对系数对数方差的回归，该方法实现了渐近正态性并提高了效率，对于 $H_i \geq 0.5$ 时偏差较低，对于 $H_i < 0.5$ 时偏差适中，且在二维和三维仿真中得到了验证。

ABSTRACT

It is proposed a class of statistical estimators $\hat H =(\hat H_1, \ldots, \hat H_d)$ for the Hurst parameters $H=(H_1, \ldots, H_d)$ of fractional Brownian field via multi-dimensional wavelet analysis and least squares, which are asymptotically normal. These estimators can be used to detect self-similarity and long-range dependence in multi-dimensional signals, which is important in texture classification and improvement of diffusion tensor imaging (DTI) of nuclear magnetic resonance (NMR). Some fractional Brownian sheets will be simulated and the simulated data are used to validate these estimators. We find that when $H_i \geq 1/2$, the estimators are efficient, and when $H_i &lt; 1/2$, there are some bias.

研究动机与目标

• 开发一种针对多维分数布朗面赫斯特参数的稳健统计估计器。
• 解决在多维信号中估计各向异性长程依赖性和自相似性的挑战。
• 与普通最小二乘法（OLS）估计器相比，提高估计精度并降低方差。
• 在二维和三维的合成分数布朗面数据上验证估计器的性能。
• 提供一种计算高效且可扩展的方法，适用于磁共振成像中的纹理分类和扩散张量成像（DTI）应用。

提出的方法

• 该方法使用多维小波分析将分数布朗面分解为小波系数。
• 对小波系数的对数方差应用回归以估计赫斯特参数。
• 实施两步广义最小二乘法（GLS）以最小化估计器的方差，从而在效率上优于OLS。
• 基于fBs模型推导小波系数的性质，并假设其具有平稳性和标度行为。
• 通过随机向量序列和泛函中心极限定理，证明了估计器的渐近正态性。
• 通过循环嵌入法模拟fBs以考虑离散采样效应，并在500次实现中评估偏差和均方误差（MSE）。

实验结果

研究问题

• RQ1 基于小波系数对数方差的回归能否在多维情况下为分数布朗面的赫斯特参数提供一致且高效的估计器？
• RQ2 在不同赫斯特参数值下，两步广义最小二乘法（GLS）估计器与普通最小二乘法（OLS）在偏差和方差方面的表现如何比较？
• RQ3 $H_i < 0.5$ 与 $H_i \geq 0.5$ 对基于小波的估计器的准确性和偏差有何影响？
• RQ4 与连续时间理论相比，fBs的离散采样在多大程度上影响了估计器的均值和收敛性特征？
• RQ5 所提出的方法能否在纹理分类或磁共振成像（NMR）的扩散张量成像（DTI）等多维信号中有效检测自相似性和长程依赖性？

主要发现

• 所提出的两步GLS估计器 $\hat{H}_{og}$ 在所有测试的赫斯特参数下，其方差和均方根误差（RMSE）均低于普通最小二乘法估计器 $\hat{H}_o$。
• 对于 $H_i \geq 0.5$，估计器的偏差较小且可忽略不计，均值估计值接近真实值（例如，$H=0.5$：均值 ≈ 0.489–0.491；$H=0.8$：均值 ≈ 0.791–0.796）。
• 对于 $H_i < 0.5$，偏差增大，均值估计值始终低于真实值（例如，$H=0.3$：均值 ≈ 0.271 对于 $\hat{H}_{og}$），且RMSE值上升至0.032–0.042。
• $\hat{H}_{og}$ 的标准差和RMSE始终低于 $\hat{H}_o$，证实了GLS在方差缩减方面的理论优势。
• 随着样本量的增加，估计器的收敛速度提高，其尺度为 $\sqrt{\prod_{i=1}^{d} T_i}$，表明在更大数据量下精度更高。
• 由于小波基的消失矩特性，该方法对非平稳性具有鲁棒性，且在 $256^3$ 网格的三维仿真中，估计器仍保持高效。