多状态自回归模型中状态数的数据驱动学习
机器学习
2015-10-13 v3 机器学习
摘要
在这项工作中，我们考虑可用于对感兴趣的非平稳时间序列建模的多状态自回归过程类。为了捕捉观测时间序列底层的不同自回归（AR）状态，选择适当的状态数至关重要。我们提出一种基于 Gap 统计量的新模型选择技术，该技术利用稳定 AR 滤波器上的零参考分布来检验添加一个新 AR 状态是否能显著改善模型性能。为此，我们定义了基于均方预测误差（MSPE）的 AR 滤波器间新距离度量，并提出了一种在系数空间中均匀生成随机稳定滤波器的高效方法。我们给出了数值结果来评估所提方法的性能。
引用
@article{arxiv.1506.02107,
title = {Data-Driven Learning of the Number of States in Multi-State Autoregressive Models},
author = {Jie Ding and Mohammad Noshad and Vahid Tarokh},
journal= {arXiv preprint arXiv:1506.02107},
year = {2015}
}
备注
This paper will appear in the Proceedings of 53rd Annual Allerton Conference on Communication, Control, and Computing, 2015