Different PCA approaches for vector functional time series with applications to resistive switching processes
向量函数型时间序列的不同主成分方法及阻变过程应用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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确对函数型时间序列的主成分得分建立自回归模型以预测，支持时间序列与预测方向。
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…
向量函数型时间序列的不同主成分方法及阻变过程应用
- 研究问题
- 如何利用多变量曲线序列内部及相互之间的时序依赖，预测忆阻器阻变过程的循环间变化，并比较不同主成分方案？
- 方法与思路
- 作者分别采用单变量和多变量函数型主成分分析，再对主要成分得分建立向量自回归模型，形成两种预测方法。
- 材料陈述的贡献
- 摘要称，研究提出两种利用序列交叉依赖的预测方案，并以重置与设置曲线构成的双变量函数型序列展示样本表现。
- 阅读关注点
- 应核对两种主成分方案保留的信息差异、成分数量与自回归阶数选择，以及预测评价是否采用独立的样本外数据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未报告预测误差、比较基准或方法适用的具体条件。
原文摘要
This paper is motivated by modeling the cycle-to-cycle variability associated with the resistive switching operation behind memristors. As the data are by nature curves, functional principal component analysis is a suitable candidate to explain the main modes of variability. Taking into account this data-driven motivation, in this paper we propose two new forecasting approaches based on studying the sequential cross-dependence between and within a multivariate functional time series in terms of vector autoregressive modeling of the most explicative functional principal component scores. The main difference between the two methods lies in whether a univariate or multivariate PCA is performed so that we have a different set of principal component scores for each functional time series or the same one for all of them. Finally, the sample performance of the proposed methodologies is illustrated by an application on a bivariate functional time series of reset-set curves.