.png){kind=icon}
返回
Segmented multiple-Lasso and peak recognition algorithm for change-point detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s00362-025-01767-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
起源于质量控制领域的变点检测已成为一个重要的研究领域。套索（Lasso）方法通过专门设计的设计矩阵为变点检测提供了一种新颖的框架。然而，大量数据可能增加矩阵的维度并降低计算速度。基于两点一阶差分的套索变点检测缺乏稳定性，并且忽略了数据的时间序列信息。本文首先提出了一种基于分段多重套索与峰值识别算法的变点检测方法。为降低矩阵维度并提高计算效率，该算法利用截断点将数据划分为若干段，然后通过筛选剔除不太可能包含变点的段。随后，所提算法引入多重差分以在局部区域内检测具有足够信息的变点。值得注意的是，通过结合一种新颖的统计量和PULSE模式，建立了一种广义变点选择准则。该准则通过使用峰值检测方法考虑了顺序因素，从而增强了方法的稳健性。我们的理论结果揭示了该算法的渐近性质。比较仿真表明，该算法的性能指标得到提升，在准确性和计算效率两方面均优于其他方法，尤其是在研究长数据序列时表现更为突出。
Keyword:
Improved-Lasso
Peak recognition
Segmentation
Change-point
期刊
S
IF:
1.1
论文数:
97
被引数:
0
机构
引用论文
New algorithms for processing and peak detection in liquid chromatography/mass spectrometry data
PREAI
分享收藏LASSO-TYPE RECOVERY OF SPARSE REPRESENTATIONS FOR HIGH-DIMENSIONAL DATA高维数据稀疏表示的LASSO型恢复.png)
ANNALS OF STATISTICS
OAAI
ANNALS OF STATISTICSIF3.7
OAAI分享收藏Fast and robust active camera relocalization in the wild for fine-grained change detectionNEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏分享收藏
查看更多内容