Refine
Year of publication
- 2016 (1)
Document Type
- Doctoral Thesis (1)
Language
- German (1) (remove)
Has Fulltext
- yes (1) (remove)
Is part of the Bibliography
- no (1)
Keywords
Institute
Es wird ein neues Konzept für die Modellierung von (zeitlichen) Realisierungen komplexer und stark verrauschter Prozessabhängigkeiten ohne spezielle Vorkenntnisse vorgestellt. Als Grundlage dient das "Errors-in-Variables Model" (EVM) als ein "Total Least Square" (TLS)- Verfahren zur asymptotisch fehlerfreien Rekonstruktion einer linearen Prozessabhängigkeit. Die hierfür notwendigen Informationen zum Fehlerrauschen in den Variablen werden indirekt in den (zeitlichen) Realisierungen mit Hilfe eines neuen Vergleichsmaßes für Strukturen (EP- Maß) auf Basis des Ähnlichkeits- Koeffizienten nach Dice / Sørensen erhalten, d.h. solange der fehlerfreie Prozess sich nicht in Strukturen eines weißen Rauschens realisiert. Dies kann vorab mit Hilfe einer schrittweisen Gauß- Tiefpass- Filterung der Ausgangsdaten im jeweiligen EP- Vergleich zu den ungefilterten Daten entschieden werden. Durch ein unabhängiges Zusatz- Fehlerrauschen wird zwischen den modellierten und den abzubildenden Daten schrittweise eine maximale strukturelle Ähnlichkeit „künstlich“ hergestellt "Sequential Iterative NOise Matching Algorithm" (SINOMA), die dann mit Hilfe des Vergleichsmaßes unabhängig zum EVM- Verfahren erkannt werden kann. Unter diesen "Reduced Major Axis" (RMA-)Bedingungen des EVM- Verfahrens sind die Parameter der linearen Prozessabhängigkeit eindeutig bestimmbar, d.h. dann ohne Kenntnisse zum Fehlerrauschen in den Ausgangsdaten. Im Gegenteil, da hierbei das notwendige Zusatzrauschen für das Erreichen von RMA- Bedingungen „bekannt ist“, können auf diese Weise auch noch das Fehlerrauschen in den Ausgangsdaten und die entsprechenden Standardabweichungen der fehlerfreien Daten abgeschätzt werden. Hiermit sollte (erstmals) eine adäquate Lösung des Rekonstruktionsproblems prähistorischer Spannweiten klimatischer Schwankungen mit Hilfe von Proxy möglich sein.