Discrimination and Clustering for Multivariate Time Series
多元时间序列的判别与聚类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：题名与摘要均明确研究多元时间序列的协方差和谱结构，支持时间序列分类。
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…
多元时间序列的判别与聚类
- 研究问题
- 如何依据协方差或谱结构差异，对多元非高斯时间序列进行分类与聚类，并刻画判别误差及统计量的极限行为？
- 方法与思路
- 作者以最小判别信息推广似然方法，发展多元非高斯情形的 Kullback-Leibler 与 Chernoff 信息及一般谱差异度量。
- 材料陈述的贡献
- 摘要称给出一般谱差异度量的渐近误差率和极限分布，并应用于地震与采矿爆破时间序列的分类和聚类。
- 阅读关注点
- 应核对非高斯序列的分布与依赖条件、谱差异度量的定义，以及渐近误差率如何联系实际分类规则和聚类算法。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要。摘要未说明所需依赖条件、分类准确率或训练评估方式，不能据此比较实际预测能力。
原文摘要
Minimum discrimination information provides a useful generalization of likelihood methodology for classification and clustering of multivariate time series. Discrimination between different classes of multivariate time series that can be characterized by differing covariance or spectral structures is of importance in applications occurring in the analysis of geophysical and medical time series data. For discrimination between such multivariate series, Kullback-Leibler discrimination information and the Chernoff information measure are developed for the multivariate non-Gaussian case. Asymptotic error rates and limiting distributions are given for a generalized spectral disparity measure that includes the foregoing criteria as special cases. Applications to problems of clustering and classifying earthquakes and mining explosions are given.