Adaptive wavelet domain principal component analysis for nonstationary time series
Adaptive wavelet domain principal component analysis for nonstationary time series
复制标题
非平稳时间序列的自适应小波域主成分分析
DOI：
10.1080/10618600.2023.2301069
复制
发表时间：
2024
影响因子：
2.4
通讯作者：
Knight M
中科院分区：
文献类型：
--
作者：
Knight M
高维多变量非平稳时间序列，即其二阶性质随时间变化的数据，在许多科学和工业应用中很常见。在这篇文章中，我们提出了一种新的小波域降维技术的非平稳时间序列。通过构建一个时间尺度自适应主成分分析的数据，我们提出的方法是能够捕捉到显着的动态特征的多变量时间序列。我们还引入了一个新的时间和尺度dependentcross-coherencembrands来量化的程度之间的关联多变量非平稳时间序列和它的小波域主成分表示。理论结果表明，在确定输入数据的小波域主成分时，我们的相关估计方案具有良好的偏差和一致性。所提出的方法进行了说明，使用广泛的模拟，我们证明了它的适用性在现实世界中的数据集产生的神经科学研究。补充材料，理论结果的证明，额外的模拟和代码，可在线获得。
High-dimensional multivariate nonstationary time series, that is, data whose second order properties vary over time, are common in many scientific and industrial applications. In this article we propose a novel wavelet domain dimension reduction technique for nonstationary time series. By constructing a time-scale adaptive principal component analysis of the data, our proposed method is able to capture the salient dynamic features of the multivariate time series. We also introduce a new time and scale dependentcross-coherencemeasure to quantify the extent of association between a multivariate nonstationary time series and its proposed wavelet domain principal component representation. Theoretical results establish that our associated estimation scheme enjoys good bias and consistency properties when determining wavelet domain principal components of input data. The proposed method is illustrated using extensive simulations and we demonstrate its applicability on a real-world dataset arising in a neuroscience study. Supplementary materials, with proofs of theoretical results, additional simulations and code, are available online.
登录
查看更多内容
影响因子：
0.9
作者：
Euan T. McGonigle;Rebecca Killick;M. Nunes
通讯作者：
Euan T. McGonigle;Rebecca Killick;M. Nunes
使用 mvLSW R 软件包进行多元局部平稳小波分析
影响因子：
5.8
作者：
Simon A. C. Taylor;Timothy Park;I. Eckley
通讯作者：
I. Eckley
演化小波谱的 Haar-Fisz 估计
DOI：
--
发表时间：
2006
期刊：
影响因子：
--
作者：
P. Fryzlewicz;G. Nason
通讯作者：
G. Nason
DOI：
10.1080/01621459.2019.1708368
发表时间：
2020-01-31
影响因子：
3.7
作者：
Das, Srinjoy;Politis, Dimitris N.
通讯作者：
Politis, Dimitris N.