On automated identification in singular spectrum analysis for different types of objects
奇异谱分析中不同对象的自动识别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：摘要直接研究奇异谱分析的周期成分识别及多元时间序列扩展，对应时间序列方法。
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
奇异谱分析中不同对象的自动识别
- 研究问题
- 奇异谱分析中的分组如何自动完成，尤其如何识别周期成分；这类识别思路能否进一步扩展到多元时间序列及图像对象？
- 方法与思路
- 作者讨论奇异谱分析的自动分组途径，提出识别周期成分的新方法，并讨论向多元时间序列与图像扩展的可能性，摘要未展开算法。
- 材料陈述的贡献
- 摘要明确陈述的贡献是提出新的周期成分识别方法，并讨论不同数据对象上的扩展；没有报告理论保证、实验结果或相对性能。
- 阅读关注点
- 应核对自动分组与周期识别的判定规则、所需输入及调参方式，并区分多元时间序列和图像扩展是已有完整方法还是仅提出可能方向。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要极简，未说明噪声设定、识别条件、算法细节或验证结果，无法判断方法的可靠性和适用范围。
原文摘要
Approaches to automated grouping in singular spectrum analysis are considered. A new method for the identification of periodic components is proposed. The possibilities of extensions to multivariate time series and images are discussed.