Stationary subspace analysis based on second-order statistics
基于二阶统计量的平稳子空间分析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：摘要明确研究多元时间序列的平稳分解及均值、方差和自相关变化。
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…
基于二阶统计量的平稳子空间分析
- 研究问题
- 当多元时间序列由平稳与非平稳成分线性混合而成时，如何估计解混矩阵，并识别均值、方差和自相关的非平稳性？
- 方法与思路
- 作者在更一般的多元时间序列框架下提出平稳子空间分析方法，分别针对均值、方差、自相关或三者联合的变化。
- 材料陈述的贡献
- 摘要称模拟展示了各方法的表现，其中同时检测三类非平稳性的方案在多种时间序列设定下表现较好，并提供示例。
- 阅读关注点
- 应核对平稳性的定义、解混矩阵与子空间维数的识别方式，以及自相关变化的检测构造和联合方法的适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未说明识别条件、渐近性质或模拟规模，不能推断普遍优势。
原文摘要
In stationary subspace analysis (SSA) one assumes that the observable p-variate time series is a linear mixture of a k-variate nonstationary time series and a (p-k)-variate stationary time series. The aim is then to estimate the unmixing matrix which transforms the observed multivariate time series onto stationary and nonstationary components. In the classical approach multivariate data are projected onto stationary and nonstationary subspaces by minimizing a Kullback-Leibler divergence between Gaussian distributions, and the method only detects nonstationarities in the first two moments. In this paper we consider SSA in a more general multivariate time series setting and propose SSA methods which are able to detect nonstationarities in mean, variance and autocorrelation, or in all of them. Simulation studies illustrate the performances of proposed methods, and it is shown that especially the method that detects all three types of nonstationarities performs well in various time series settings. The paper is concluded with an illustrative example.