Modeling of Continuous Stochastic Processes from Discrete Observations with Application to Sunspots Data
由离散观测建立连续随机过程模型：太阳黑子数据应用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：摘要直接研究连续与离散ARMA过程及等间隔时间序列观测的建模和估计。
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
由离散观测建立连续随机过程模型：太阳黑子数据应用
- 研究问题
- 如何利用等间隔离散观测识别并估计连续时间随机过程的参数，以及如何将这一建模方法用于年度太阳黑子数据？
- 方法与思路
- 作者利用连续时间ARMA过程离散化后形成离散ARMA过程的参数关系，构建连续参数的最大似然估计方法。
- 材料陈述的贡献
- 摘要称，连续与离散参数的关系提供了简便估计途径，并以年度Wolfer太阳黑子数展示连续过程的建模方法。
- 阅读关注点
- 应核对连续与离散参数的映射、参数识别及可能的多解问题、采样间隔要求，以及似然如何由离散观测构造。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；摘要未说明过程阶数、识别条件、估计误差及太阳黑子分析的具体结果。
原文摘要
Discretization of a continuous autoregressive moving average process at an equispaced sampling interval results in a discrete autoregressive moving average process. The relationship between the continuous and the discrete parameters yields a simple method of maximum likelihood estimation of the continuous parameters from a discretely sampled data. A technique is described for modeling of continuous processes from discrete observations and is illustrated with analysis of the yearly Wolfer's sunspot numbers data.