Discrimination of Time Series by Parametric Filtering
通过参数滤波区分时间序列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：摘要明确研究平稳时间序列的滤波、自相关、混合谱及序列区分，文本直接支持时间序列方向的分类。
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
通过参数滤波区分时间序列
- 研究问题
- 如何把平稳时间序列的相关结构转化为易于比较的诊断函数，并在含混合谱的序列之间进行区分与相关结构刻画？
- 方法与思路
- 作者结合参数滤波器组与滤波后的一阶自相关分析，以滤波参数为自变量构造表征函数，并研究其样本估计。
- 材料陈述的贡献
- 摘要称该函数可唯一刻画原序列相关结构，并将其转化为平滑单调函数；自然样本估计在混合谱情形下也一致收敛。
- 阅读关注点
- 应核对滤波器类别、唯一刻画对应的相关结构范围，以及一致收敛的条件和示例中的序列区分标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；滤波器公式、收敛条件与判别性能未提供，不能推断该函数刻画完整概率分布。
原文摘要
A new approach to time series discrimination is discussed. The approach, called parametric filtering, combines a parametric filter bank with an analysis of first-order autocorrelation from the filtered time series. As a function of the filter parameter, the first-order autocorrelation is shown to uniquely characterize the correlation structure of the original stationary time series. It is also shown to produce a diagnostic that not only characterizes correlation structures, but also transforms these structures into smooth and monotone functions. Natural sample estimators of these characterization functions are shown to be uniformly consistent even for mixed-spectrum time series. Examples are provided to demonstrate the potential applications of the method in discrimination of time series with a special emphasis on time series of mixed spectra.