Decomposing the spectral density function of an ARMA process
ARMA 过程谱密度函数的分解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：摘要以 ARMA 过程、谱密度分解、卡尔曼滤波极大似然估计与时间序列峰形刻画为核心，直接对应时间序列方向。
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…
ARMA 过程谱密度函数的分解
- 研究问题
- 摘要称，准周期振荡通常用对功率谱密度的非参数估计拟合洛伦兹函数来刻画，这种两步做法把估计与建模分离且不容纳测量误差；本文要问的是，能否为带测量误差的 ARMA 过程建立参数化替代，并对其谱密度作可解释的分解。
- 方法与思路
- 作者提出基于带测量误差的 ARMA 过程，推导 ARMA 谱密度对实值分量的精确分解：每个自回归根共轭类对应一个分量，移动平均阶数不低于自回归阶数时另加多项式项；复根分量含共轭泊松项。参数用卡尔曼滤波下的极大似然估计，各描述量由代入法得到。
- 材料陈述的贡献
- 摘要称贡献在于：给出谱密度的精确分解，各分量为 Wrapped Cauchy 核，复根情形伴随共轭泊松项使峰不对称并偏离根辐角对应频率；得到每个峰的位置、高度、宽度与不对称性的闭式表达及相应方差分解；模拟显示闭式峰位置估计无明显偏差，并用 X 射线双星光变曲线作示例。
- 阅读关注点
- 应核对分解的推导条件与根的分类假设、测量误差的设定、闭式峰描述量与方差分解的对应关系、极大似然与卡尔曼滤波的实现细节，以及模拟中偏差评估的设计与示例数据的适用性；摘要未说明识别条件与渐近性质的完整表述。
- 阅读边界
- 仅凭摘要无法判断分解的适用边界、估计量的抽样性质、模拟覆盖范围与实证结论的稳健性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Quasi-periodic oscillations are characterized by fitting Lorentzian functions to a nonparametric estimate of the power spectral density, a two-step procedure that separates estimation from modeling and does not accommodate measurement error. We develop a parametric alternative based on autoregressive moving-average (ARMA) processes observed with measurement error. We derive an exact decomposition of the ARMA spectral density into real-valued components, one for each class of autoregressive roots under complex conjugation, plus a polynomial term when the moving-average order is at least the autoregressive order. Each component is a Wrapped Cauchy kernel, and for complex roots it is accompanied by a conjugate-Poisson term that makes the peak asymmetric and displaces its maximum from the frequency given by the argument of the root. We obtain closed-form expressions for the location, height, width, and asymmetry of each peak, and a matching variance decomposition. Parameters are estimated by maximum likelihood through the Kalman filter, and all descriptors follow by plug-in. Simulations show that the closed-form peak location is recovered without appreciable bias. An X-ray binary light curve illustrates the methodology.