plWav1j

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 los coeficientes de la transformación wavelet de las observaciones.

plWav1j(
  dat,
  filter.number = 4,
  family = "DaubLeAsymm",
  M = 10,
  Ne = 200,
  j0 = nlevelsWT(vw),
  plot.EMPL = 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.EMPL

Gráfica de comparación entre la serie de observaciones original 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)

y <- DJ.EX()$doppler

s <- sd(y)
SNR <- 7
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='BayeShrink')