Modelling Loss of Complexity in Intermittent Time Series and its Application
间歇性时间序列的复杂性损失建模及其应用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：摘要直接涉及非线性自回归时间序列与复杂性变化点检测，未说明宏观经济应用。
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…
间歇性时间序列的复杂性损失建模及其应用
- 研究问题
- 如何度量间歇性时间序列的复杂性损失并定位其变化点，且在非线性模型恢复和人体运动疲劳分析中与近似熵方法比较？
- 方法与思路
- 作者先拟合非线性自回归模型，以 BIC 选择滞后阶数并用非参数相对熵度量复杂性损失，再通过 CUSUM 型统计量检测变化点。
- 材料陈述的贡献
- 摘要称，该方法在模拟及疲劳引起的人体运动输出变化分析中，相比近似熵更准确地检测间歇序列片段的复杂性变化。
- 阅读关注点
- 应核对相对熵的参照分布与估计方式、间歇性片段的定义，以及模型拟合误差如何影响变化点统计量和比较方法的参数设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明检测阈值、误报控制及渐近保证，应用属于人体运动数据。
原文摘要
In this paper, we developed a novel method of nonparametric relative entropy (RlEn) for modelling loss of complexity in intermittent time series. The method consists of two steps. We first fit a nonlinear autoregressive model to each intermittent time series, where the corresponding lag order and the loss of complexity are determined by Bayesian Information Criterion (BIC) and relative entropy respectively. Then, change-points in the complexity are detected by a cumulative sum (CUSUM) based statistic. Compared to approximate entropy (ApEn), a popular method in literature, the performance of RlEn was assessed by simulations in terms of (1) ability to localize complexity change-points in intermittent time series; (2) ability to faithfully estimate underlying nonlinear models. The performance of the proposal was then examined in a real analysis of fatigue-induced changes in the complexity of human motor outputs. The results showed that the proposed method outperformed the ApEn in accurately detecting changes of complexity in intermittent time series segments.