Continuous Time Locally Stationary Wavelet Processes
连续时间局部平稳小波过程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：摘要直接提出局部平稳时间序列模型及谱和自协方差估计，应用数据为心率。
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…
连续时间局部平稳小波过程
- 研究问题
- 如何为不规则采样的时间序列建立连续时间、基于尺度的局部平稳模型，并估计连续尺度范围内的谱与自协方差？
- 方法与思路
- 作者定义连续时间局部平稳小波过程，分别研究完整样本路径和离散采样情形，通过迭代软阈值求解线性积分方程并进行平滑。
- 材料陈述的贡献
- 摘要称，该框架支持不规则观测的尺度建模和连续尺度谱表示，并提出可计算的估计方法，以婴儿睡眠及睡眠状态心率数据展示应用。
- 阅读关注点
- 应核对局部平稳定义、采样机制、积分方程的可识别性和正则化选择，以及平滑方法、计算误差与既有方法比较的依据。
- 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；摘要未给出估计误差、采样条件及计算复杂度，应用比较也无具体数值。
原文摘要
This article introduces the class of continuous time locally stationary wavelet processes. Continuous time models enable us to properly provide scale-based time series models for irregularly-spaced observations for the first time, while also permitting a spectral representation of the process over a continuous range of scales. We derive results for both the theoretical setting, where we assume access to the entire process sample path, and a more practical one, which develops methods for estimating the quantities of interest from sampled time series. The latter estimates are accurately computable in reasonable time by solving the relevant linear integral equation using the iterative soft-thresholding algorithm due to Daubechies, Defrise and De~Mol. Appropriate smoothing techniques are also developed and applied in this new setting. Comparisons to previous methods are conducted on the heart rate time series of a sleeping infant. Additionally, we exemplify our new methods by computing spectral and autocovariance estimates on irregularly-spaced heart rate data obtained from a recent sleep-state study.