Structural classification of locally stationary time series based on second-order characteristics
基于二阶特征的局部平稳时间序列结构分类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：摘要明确研究局部平稳时间序列、自回归近似及时间变化的二阶特征。
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
基于二阶特征的局部平稳时间序列结构分类
- 研究问题
- 如何依据随时间变化的二阶特征区分两类局部平稳时间序列，并在两类特征差异较小时仍获得可靠的分类表现？
- 方法与思路
- 作者利用局部平稳时间序列的自回归近似，在时域构造二阶特征分类方法，并通过模拟与癫痫脑电数据进行比较。
- 材料陈述的贡献
- 摘要称该方法不对训练样本量提出要求，在二阶特征轻微不同的情形下渐近误分类率为零，并报告若干比较优势。
- 阅读关注点
- 应核对局部平稳性与类别分离条件、渐近分析中增长的对象，以及训练样本量表述和数值比较的具体设置。
- 阅读边界
- 所给材料为 Crossref 在线发表版摘要；零误分类率及优于其他方法均为摘要陈述，具体条件、数值和后续刊本变化未说明。
原文摘要
Abstract Time series classification is crucial for numerous scientific and engineering applications. In this article, we present a numerically efficient, practically competitive, and theoretically rigorous classification method for distinguishing between two classes of locally stationary time series based on their time-domain, second-order characteristics. Our approach builds on the autoregressive approximation for locally stationary time series, imposes no requirement on the training sample size, and is shown to achieve zero misclassification error rate asymptotically when the underlying time series differ only mildly in their second-order characteristics. The new method is demonstrated to outperform a variety of state-of-the-art solutions, including wavelet-based, tree-based, convolution-based methods, as well as modern deep learning methods, through intensive numerical simulations and a real electroencephalography data analysis for epilepsy classification.