.png){kind=icon}
返回
Quickest Change Detection for Multiple Data Streams Using the James-Stein Estimator
.png){kind=icon}
PRE
AI
DOI：10.1109/TIT.2025.3588661.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在检测多个独立高斯数据流中任意未知均值漂移的背景下，研究了最优变化检测问题。James-Stein估计量被用于构建检测方案，这些方案在渐近和非渐近情况下均表现出较强的检测性能。我们的结果表明，在最近开发的窗口受限CuSum检验中利用James-Stein估计量，相比其典型的最大似然变体构成了统一改进。也就是说，所提出的James-Stein版本在并行数据流数量大于三的条件下，对于所有可能的变化后参数值和每一个虚警率约束，均能实现更小的检测延迟。此外，利用James-Stein估计量的替代检测方法被证明具有与现有检验相比更优的渐近检测延迟特性。在参数空间的一个预定义低维子空间中，二阶渐近检测延迟项被减小，同时二阶渐近minimax性得以保持。仿真结果验证了这些结论，其中所提出的方案相比现有替代方法实现了更小的检测延迟，尤其是在数据流数量较大的情况下。
Keyword:
Delays
Streams
Maximum likelihood estimation
Maximum likelihood detection
Vectors
Data models
Standards
Random variables
Internet of Things
Gaussian distribution
Sequential change detection
James-Stein estimator
shrinkage estimation
average detection delay
期刊
I
IF:
2.9
论文数:
317
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容