Wavelet spectra for multivariate point processes
多元点过程的小波谱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：摘要明确研究随机过程的时间尺度谱、非平稳性及平稳性检验，属于时间序列方法，应用场景并非宏观数据。
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
多元点过程的小波谱
- 研究问题
- 如何在不同时间尺度上检测多元点过程内部及过程之间的未知非平稳性，并为时变相关结构提供可检验的统计框架？
- 方法与思路
- 作者构造时间平滑的小波周期图，证明其与多小波周期图等价，在平稳假设下推导渐近Wishart分布并扩展到小波相干。
- 材料陈述的贡献
- 摘要称，该框架提供可计算的分布参数和自由度，支持多元点过程平稳性检验，并在神经脉冲数据中检测和刻画时变依赖。
- 阅读关注点
- 应核对平滑窗口与尺度选择、平稳假设、渐近分布条件及检验构造，尤其查看多个时间尺度上的检验如何处理误差。
- 阅读边界
- 仅据所给Crossref摘要，无法判断检验大小、功效及边界效应；分布结论以平稳性为前提，应用对象是神经点过程。
原文摘要
Summary Wavelets provide the flexibility for analysing stochastic processes at different scales. In this article we apply them to multivariate point processes as a means of detecting and analysing unknown nonstationarity, both within and across component processes. To provide statistical tractability, a temporally smoothed wavelet periodogram is developed and shown to be equivalent to a multi-wavelet periodogram. Under a stationarity assumption, the distribution of the temporally smoothed wavelet periodogram is demonstrated to be asymptotically Wishart, with the centrality matrix and degrees of freedom readily computable from the multi-wavelet formulation. Distributional results extend to wavelet coherence, a time-scale measure of inter-process correlation. This statistical framework is used to construct a test for stationarity in multivariate point processes. The methods are applied to neural spike-train data, where it is shown to detect and characterize time-varying dependency patterns.