Local Global Neural Networks
局部—全局神经网络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：摘要明确以时间序列为建模对象，研究平稳性、非线性动态及序列实例，因此归入时间序列方向。
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…
局部—全局神经网络
- 研究问题
- 如何用非线性时间序列模型描述系统长期停留于有界区域，却偶尔出现暂时指数增长并突然崩落的间歇性动态？
- 方法与思路
- 作者提出局部—全局神经网络，重点研究线性专家混合形式，以集中最大似然估计参数，并讨论建模策略和理论性质。
- 材料陈述的贡献
- 摘要称该模型容纳若干已有非线性模型及专家混合方法，并讨论平稳性、可识别性、估计一致性和渐近正态性。
- 阅读关注点
- 应核对混合平稳与非平稳线性成分后整体平稳性的条件、专家模型的可识别性，以及两组真实序列如何支持间歇性描述。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要，无法判断具体平稳性条件、估计证明和实证拟合表现，也不能推断普遍预测优势。
原文摘要
We propose the local-global neural networks model within the context of time series models. This formulation encompasses some already existing nonlinear models and also admits the mixture of experts approach. We emphasize the linear expert case and extensively discuss the theoretical aspects of the model: stationarity conditions, existence, consistency and asymptotic normality of the parameter estimates, and model identifiability. The proposed model consists of a mixture of stationary and nonstationary linear models and is able to describe “intermittent” dynamics; the system spends a large fraction of time in a bounded region, but sporadically develops an instability that grows exponentially for some time and then suddenly collapses. Intermittency is a commonly observed behavior in ecology and epidemiology, fluid dynamics, and other natural systems. A model-building strategy is also considered, and the parameters are estimated by concentrated maximum likelihood. The procedure is illustrated with two real time series.