.png){kind=icon}
返回
Parameter inference from a non-stationary unknown process
.png){kind=icon}
PRE
AI
DOI：10.1063/5.0228236.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
非平稳系统遍布世界各地，从受二氧化碳浓度变化影响的气候模式，到受上行神经调节驱动的脑动态。因此，有必要分析非平稳过程，但实践中科学和工业领域用于重要问题的大部分时间序列分析方法，都做出了平稳性的简化假设。分析非平稳系统的一个重要问题是所谓“从非平稳未知过程进行参数推断”（PINUP）的问题类别。给定一个观测时间序列，这涉及推断驱动时间序列非平稳性的参数，而无需了解或推断底层系统的数学模型。本文回顾并统一了关于PINUP算法的多样化文献。我们阐述了该问题，并将各种算法贡献分为基于（1）降维、（2）统计时间序列特征、（3）预测误差、（4）相空间分割、（5）重现图和（6）贝叶斯推断的类别。这一综合研究将帮助研究人员识别文献中的空白，并实现不同方法间的系统性比较。我们还证明，现有方法测试中最常见的系统——尤其是非平稳的Lorenz过程和logistic映射——使用简单的统计特征（如窗口均值和方差）就能出奇地容易取得良好效果，这削弱了将这些系统上的良好表现作为算法性能证据的实践。随后，我们识别出许多现有方法表现不佳的更具挑战性的问题，这些问题可用于推动该领域的方法论进步。我们的研究统一了分析非平稳系统的离散科学贡献，并提出了PINUP问题及更广泛非平稳现象研究的新的发展方向。
Keyword:
DYNAMICAL-SYSTEMS APPROACH
SLOW FEATURE ANALYSIS
DAMAGE EVOLUTION TRACKING
SENSITIVITY VECTOR-FIELDS
TIME-SERIES PREDICTION
RECURRENCE PLOTS
DRIVING-FORCES
RECONSTRUCTION
CLASSIFICATION
IDENTIFICATION
期刊
C
IF:
3.2
论文数:
412
被引数:
1.5W
机构
引用论文
分享收藏
Toward a unified interpretation of the “proper”/“smooth” orthogonal decompositions and “state variable”/“dynamic mode” decompositions with application to fluid dynamics朝向对“proper”/“smooth”正交分解和“state variable”/“dynamic mode”分解的统一解释及其在流体动力学中的应用.png)
AIP Advances
OAAI
AIP AdvancesIF0
OAAI分享收藏Slow-Time Changes in Human EMG Muscle Fatigue States Are Fully Represented in Movement KinematicsOAAI
OAAI分享收藏Sleep Classification According to AASM and Rechtschaffen & Kales: Effects on Sleep Scoring ParametersSLEEPOAAI
SLEEPIF4.9
OAAI分享收藏
查看更多内容