Discrimination of Locally Stationary Time Series Based on the Excess Mass Functional
基于超额质量泛函的局部平稳时间序列判别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：摘要明确研究局部平稳时间序列，使用时变方差自回归模型进行判别，直接对应所列时间序列方法方向。
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…
关注这篇论文的作者
基于超额质量泛函的局部平稳时间序列判别
- 研究问题
- 当不同类别时间序列的差异主要体现为形状或方差集中程度时，能否不对齐序列而利用各自特征进行判别？
- 方法与思路
- 作者以方差随时间变化的自回归过程为基础，通过方差函数的集中度或形状度量提取特征，据此进行序列分类。
- 材料陈述的贡献
- 摘要称提出无需序列对齐的判别方法，提供部分数学论证，并通过模拟及地震与爆炸识别应用展示其用途。
- 阅读关注点
- 核对超额质量泛函的定义、方差函数估计和局部平稳条件，以及特征差异如何转化为可评估的分类规则。
- 阅读边界
- 材料为版本未注明的OpenAlex索引摘要；未说明分类误差、理论保证的具体形式或对其他时间序列模型的适用性。
原文摘要
Discrimination of time series is an important practical problem with applications in various scientific fields. We propose and study a novel approach to this problem. Our approach is applicable to cases where time series in different categories have a different “shape.” Although based on the idea of feature extraction, our method is not distance-based, and as such does not require aligning the time series. Instead, features are measured for each time series, and discrimination is based on these individual measures. An AR process with a time-varying variance is used as an underlying model. Our method then uses shape measures or, better, measures of concentration of the variance function, as a criterion for discrimination. It is this concentration aspect or shape aspect that makes the approach intuitively appealing. We provide some mathematical justification for our proposed methodology, as well as a simulation study and an application to the problem of discriminating earthquakes and explosions.