Adaptive Bayesian Time–Frequency Analysis of Multivariate Time Series
多元时间序列的自适应贝叶斯时频分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究多元时间序列的时变谱，并通过未知分区处理突变和缓变，涉及时间序列与结构变化。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
多元时间序列的自适应贝叶斯时频分析
- 研究问题
- 多元时间序列的谱结构随时间变化且各分量变化方式不同时，如何估计时变谱矩阵并同时容纳突变与缓慢变化？
- 方法与思路
- 作者自适应划分近似平稳区段，以 Whittle 似然和修正 Cholesky 分量的惩罚样条建模，结合可逆跳跃与哈密顿蒙特卡洛。
- 材料陈述的贡献
- 摘要称方法保留谱矩阵正定性，允许部分谱分量跨区段不变，并通过分区平均逼近突变和缓变，以模拟及实际数据展示。
- 阅读关注点
- 核对分段近似平稳的适用性、谱分量变化的选择机制、正定性保证，以及分区先验、抽样收敛和边界估计的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明分区一致性、谱估计误差或计算收敛保证，不能推断刊本变化。
原文摘要
This article introduces a nonparametric approach to multivariate time-varying power spectrum analysis. The procedure adaptively partitions a time series into an unknown number of approximately stationary segments, where some spectral components may remain unchanged across segments, allowing components to evolve differently over time. Local spectra within segments are fit through Whittle likelihood based penalized spline models of modified Cholesky components, which provide flexible nonparametric estimates that preserve positive definite structures of spectral matrices. The approach is formulated in a Bayesian framework, in which the number and location of partitions are random, and relies on reversible jump Markov chain and Hamiltonian Monte Carlo methods that can adapt to the unknown number of segments and parameters. By averaging over the distribution of partitions, the approach can approximate both abrupt and slow-varying changes in spectral matrices. Empirical performance is evaluated in simulation studies and illustrated through analyses of electroencephalography during sleep and of the El Niño-Southern Oscillation.