bayeShrinkPL

Esta funcion elimina el ruido aditivo de una serie de observaciones por medio de un algoritmo bayesiano basado en el aprendizaje de partículas. La función utiliza un método shrinkage bayesiano basado en particle learning para suavizar el valor de los coeficientes de la transformación wavelet de las observaciones.

bayeShrinkPL(
  dat,
  filter.number = 4,
  family = "DaubLeAsymm",
  M = 10,
  Ne = 100,
  j0 = nlevelsWT(vw),
  plot.bayeShrinkPL = FALSE
)

Arguments

dat

Serie de observaciones a ingresar a las que se le debe eliminar el ruido aditivo.

filter.number

Parámetro de la transformación wavelet que indica en número de momentos de desvanecimiento.

family

Familia de la transformación wavelet c('DaubExPhase','DaubLeAsymm','Coiflets',...).

M

Número de repeticiones en el proceso de maximización del algoritmo.

Ne

Número de partículas el proceso secuencial Monte Carlo.

j0

Nivel de resolución de la transformación wavelet.

plot.bayeShrinkPL

Gráfica de comparación entre la serie de observaciones y serie libre de ruido.

Value

Esta funcion retorna la serie de observaciones libre de ruido al nivel de resolución especificado.

Author

Omar Rios Saavedra, orioss@unal.edu.co

Examples

# Ejemplo de eliminación de ruido

library(wavethresh)
#> Loading required package: MASS
#> WaveThresh: R wavelet software, release 4.7.2, installed
#> Copyright Guy Nason and others 1993-2022
#> Note: nlevels has been renamed to nlevelsWT

y <- DJ.EX()$doppler

s <- sd(y)
SNR <- 9
e <- rnorm(length(y),mean = 0, sd = s/SNR)
YNoi <- y + e

YDNoi<-bayeShrinkPL(YNoi)

plot.ts(y,ylab='Datos originales')

plot.ts(YNoi,ylab='Datos con ruido aditivo')

plot.ts(YDNoi,ylab='BayeShrinkPL')