Structural Classification of Locally Stationary Time Series Based on Second-order Characteristics
基于二阶特征的局部平稳时间序列结构分类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：摘要明确以局部平稳时间序列、自回归近似和时变二阶特征为方法对象，因此归入时间序列，应用场景为脑电分类。
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
基于二阶特征的局部平稳时间序列结构分类
- 研究问题
- 如何依据随时间变化的二阶特征区分两类局部平稳时间序列，并在训练样本受限时兼顾计算效率和分类保证？
- 方法与思路
- 作者结合局部平稳序列的自回归近似、集成聚合及距离阈值，构造二分类方法，并用模拟和癫痫脑电数据评估。
- 材料陈述的贡献
- 摘要称方法不要求训练样本量条件，在二阶特征仅轻微不同的情形下可渐近零误分类，并报告优于多类比较方法。
- 阅读关注点
- 应核对局部平稳和类别可分条件、训练样本与序列长度的渐近安排，以及调参和脑电验证是否避免信息泄漏。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列渐近条件，零误分类保证不能理解为有限样本普遍成立。
原文摘要
Time series classification is crucial for numerous scientific and engineering applications. In this article, we present a numerically efficient, practically competitive, and theoretically rigorous classification method for distinguishing between two classes of locally stationary time series based on their time-domain, second-order characteristics. Our approach builds on the autoregressive approximation for locally stationary time series, combined with an ensemble aggregation and a distance-based threshold for classification. It imposes no requirement on the training sample size, and is shown to achieve zero misclassification error rate asymptotically when the underlying time series differ only mildly in their second-order characteristics. The new method is demonstrated to outperform a variety of state-of-the-art solutions, including wavelet-based, tree-based, convolution-based methods, as well as modern deep learning methods, through intensive numerical simulations and a real EEG data analysis for epilepsy classification.