流式非平稳时间序列数据的层次符号动态滤波

本文提出了一种基于切换可观测马尔可夫链模型概念的非平稳流式时间序列层次特征提取器。慢时间尺度的非平稳行为被视为复杂动力系统表现出的准平稳快时间尺度片段的混合。其思想是在较低逻辑层级上对每种独特的平稳特征进行建模而无需先验知识（例如可能的独特特征数量），并在较高层级上捕获从一个低层模型到另一个低层模型的转移。在此背景下，近期发展的符号动态滤波（Symbolic Dynamic Filtering, SDF）概念得到扩展，以构建一种在线算法，适用于在较低层级处理准平稳数据，并在较高层级处理非平稳行为而无需先验知识。本研究的一个关键观察是，与传统主要考虑数据似然进行变化检测的方法相比，数据似然的变化率似乎是数据特征变化的更好指标。该算法最小化模型复杂度并捕获数据似然。使用表现出非线性动力系统的时序数据模拟，对所提算法进行了效能演示和比较评估。我们讨论的结果表明，所提出的层次SDF算法即使在非常嘈杂的条件下也能以极高准确度识别底层特征。该算法被证明优于基线层次狄利克雷过程-隐马尔可夫模型（HDP-HMM）。算法的低计算复杂度使其适用于机载实时操作。