利用局部耦合高斯过程分析非平稳时间序列
机器学习
2016-11-01 v1
摘要
非平稳时间序列的分析在物理学和神经科学等诸多科学领域至关重要。近年来，高斯过程回归作为一种稳健且强大的时间序列分析方法受到了广泛关注。本文提出了一种新的非平稳时间序列分析框架，该框架利用局部平稳高斯过程分析，并通过隐马尔可夫模型耦合其参数。该框架的主要优势在于，通过组合更简单的平稳构建块，可以获得任意复杂的非平稳协方差函数，且其隐藏参数可以闭式估计。我们通过分析两个合成非平稳信号示例（频率随时间变化的振荡和具有两种动力学状态的时间序列）展示了该方法的灵活性。最后，我们报告了一个关于脑活动真实脑磁图测量的应用实例。
引用
@article{arxiv.1610.09838,
title = {Analysis of Nonstationary Time Series Using Locally Coupled Gaussian Processes},
author = {Luca Ambrogioni and Eric Maris},
journal= {arXiv preprint arXiv:1610.09838},
year = {2016}
}