State-Space Modelling of Time Series Sampled from Continuous Processes with Pulses
具有脉冲的连续过程采样时间序列的状态空间建模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：摘要直接采用非高斯状态空间模型分析部分观测时间序列，属于时间序列方法。
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
具有脉冲的连续过程采样时间序列的状态空间建模
- 研究问题
- 当连续激素过程含有脉冲且观测相对稀疏时，如何从部分观测时间序列推断脉冲的起始时间、峰值位置和高度？
- 方法与思路
- 作者引入非高斯状态空间时间序列模型，发展基于似然的推断方法，并比较不同脉冲形状模型的拟合程度。
- 材料陈述的贡献
- 摘要称模型在采样间隔相对脉冲持续时间较长时仍可应用，并能从部分观测激素序列估计脉冲的关键特征。
- 阅读关注点
- 应核对状态演化和观测方程、似然计算方式、稀疏采样下脉冲参数的可识别性，以及不同形状的拟合比较标准。
- 阅读边界
- 依据稿件版本未注明的 OpenAlex 索引摘要；采样稀疏程度的限制、估计精度和计算细节未说明，不能判断恢复能力。
原文摘要
A non-Gaussian time series model useful for describing the dynamics of endocrinological data is introduced by using a state-space representation. This model is applicable even when the data are sparsely sampled in comparison with time lengths of pulses. Likelihood-based methods of inference for the model are developed. By fitting the present model to partially observed hormonal time series data, we can estimate the locations and heights of the peaks of the pulses as well as their onset times. Models with different shapes of pulses are considered for a comparison of the goodness of fit.