State-space modelling of time series sampled from continuous processes with pulses
含脉冲连续过程采样时间序列的状态空间建模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：摘要明确采用非高斯状态空间模型分析采样时间序列，属于时间序列方法，应用对象为激素数据。
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
含脉冲连续过程采样时间序列的状态空间建模
- 研究问题
- 对含脉冲的连续激素过程，在采样间隔相对脉冲持续时间较长、观测不完整时，如何估计脉冲峰值位置、高度和起始时间？
- 方法与思路
- 作者构建非高斯状态空间时间序列模型，发展基于似然的推断方法，拟合部分观测激素序列并比较不同脉冲形状。
- 材料陈述的贡献
- 摘要称模型可用于相对脉冲时长而言稀疏采样的数据，并可估计峰值位置、高度与起始时间，同时比较形状的拟合效果。
- 阅读关注点
- 应核对潜在连续过程和观测方程、脉冲参数可识别性、似然计算方法，以及稀疏采样下估计不确定性与形状比较标准。
- 阅读边界
- 仅据版本未注明的索引摘要；模型方程、采样条件和估计精度未提供，不能断言任意稀疏数据都能可靠恢复脉冲或推断刊本变化。
原文摘要
A non-Gaussian time series model useful for describing the dynamics of endocrinological data is introduced by using a state-space representation. This model is applicable even when the data are sparsely sampled in comparison with time lengths of pulses. Likelihood-based methods of inference for the model are developed. By fitting the present model to partially observed hormonal time series data, we can estimate the locations and heights of the peaks of the pulses as well as their onset times. Models with different shapes of pulses are considered for a comparison of the goodness of fit.