Linear Unmixing of Multivariate Observations
多变量观测的线性解混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：摘要研究一般来源分解并应用于空气污染，没有宏观或金融因子模型的明确语境。
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
多变量观测的线性解混
- 研究问题
- 当多变量观测由固定来源特征的非负线性组合及随机误差形成时，如何同时恢复来源特征与各观测的来源贡献？
- 方法与思路
- 作者对来源贡献设定多变量对数正态分布，构建参数混合模型，并组合两种 Monte Carlo EM 变体计算最大似然估计。
- 材料陈述的贡献
- 摘要称，模型可识别，最大似然估计在特殊情形下一致且渐近正态；论文还展示模拟和空气污染测量应用并讨论扩展。
- 阅读关注点
- 应核对来源数量、误差模型与可识别性的准确含义，渐近结论限定的特殊情形，以及 Monte Carlo EM 的计算与收敛处理。
- 阅读边界
- 所给 OpenAlex 索引摘要未注明稿件版本；摘要未列出识别和渐近条件，特殊情形的估计性质不能直接推广至所有模型扩展。
原文摘要
In many fields of science there are multivariate observations that may be assumed to be generated by a (physical) linear mixing process of contributions from different sources. If the compositions of the sources are constant for different observations, then these observations are, up to a random error term, nonnegative linear combinations of a fixed set of so-called “source profiles” that characterize the sources. The goal of linear unmixing is to recover both the source profiles and the source activities (also called scores) from a multivariate dataset. We present a new parametric mixing model that assumes a multivariate lognormal distribution for the scores. This model is proved to be identifiable. Moreover, consistency and asymptotic normality of the maximum likelihood estimator (MLE) are established in special cases. To calculate the MLE, we propose the combination of two variants of the Monte Carlo EM algorithm. The proposed model is applied to simulated datasets and to a set of air pollution measurements. In addition to the basic model, several extensions are discussed.