Minimax wavelet estimation for multisample heteroscedastic non-parametric regression
研究了从多采样噪声曲线中估计基线信号的问题。本文考虑了功能性混合效应模型,假设功能性固定效应属于Besov类。这个框架允许我们对可能表现出强烈不规则性的曲线进行建模,例如峰值或跳跃。提供了$L_2$极小极大风险的下限,以及极小极大比率的上限,该上限是通过构建函数固定效应的小波估计量推导出来的。我们的工作构成了多样本非参数回归的第一个理论结果。我们的方法说明了现实的模拟数据集以及实验数据。
2015-11-14 stat.ME
Functional mixed effects wavelet estimation for spectra of replicated time series
出于频谱分析的复制大脑信号时间序列,我们提出了一个功能混合效应的方法来模拟复制特定的频谱密度作为随机曲线变化的确定性的人口平均频谱。与现有的工作相比,我们不假设复制品特异性光谱曲线是独立的,即在群体中的不同复制品之间可能存在明确的相关性。通过将重复特定曲线投影到正交小波基上,在小波系数域中的等效线性混合效应模型下进行估计和预测。为了应付潜在的非常本地化的功能的谱曲线,我们开发的广义最小二乘估计和非线性小波阈值,包括人口平均曲线的渐近置信集的组合的基础上的估计和预测。我们推导出风险界的非线性小波估计的人口均值曲线,反映了不同的曲线之间的相关性的影响,在复制人口的结果,我们得出的一致性的估计之间和曲线内的相关性结构在一个适当的稀疏类的功能。为了说明建议的功能混合效应模型和我们的估计和预测程序,我们提出了几个模拟时间序列数据的例子,我们分析了一个激励大脑信号数据集记录在联想学习实验。
2016-07-23 stat.ME
Wavelet-based estimation in aggregated functional data with positive and correlated errors
Universidade Estadual de Campinas (UNICAMP)(坎皮纳斯州立大学)
本文提出基于小波的贝叶斯方法,用于估计聚合函数数据中的构成曲线,通过模拟和实际数据验证了该方法在处理具有正相关误差的Gamma分布误差时的优越性。
2026-03-25 stat.ME
Sparse Wavelet Estimation in Quantile Regression with Multiple Functional Predictors
本文研究了部分函数线性模型中的分位数回归问题,其中响应是标量,预测变量既包括标量又包括多个函数。采用小波基更好地逼近函数斜率,同时有效地检测局部特征。稀疏组套索惩罚施加到选择重要的功能预测,同时捕获共享的信息之间。估计问题可以转化为一个标准的二阶锥规划,然后用内点方法求解。我们还提出了一种新的算法,利用交替方向法的乘数(ADMM),这是最近许多研究人员在解决惩罚分位数回归问题。建立了算法的收敛速度和预测误差界等渐近性质。仿真和一个实际的数据从ADHD-200 fMRI数据进行调查,以显示我们提出的方法的优越性。
2017-12-02 math.ST stat.AP stat.CO
Wavelet estimation of the dimensionality of curve time series
函数式数据分析在科学和工程的大多数领域中无处不在。提出了几种范式来处理这种类型的数据所固有的维数问题。稀疏、惩罚、阈值等原则已被用于解决这一问题。我们在这里讨论的解决方案的基础上,有限维函数空间。我们采用小波表示的泛函来估计这个有限的维度,并成功地模拟了一个时间序列的曲线。所提出的方法具有良好的渐近性质。此外,小波表示允许使用几个引导程序,它导致更快的计算算法。除了理论和计算性能,一些模拟研究和应用程序的真实数据。
2018-09-03 stat.ME
Wavelet-Based Scalar-on-Function Finite Mixture Regression Models
经典有限混合回归可用于模拟标量预测因子和标量响应之间的关系,标量响应来自由这些预测因子和响应之间的不同关联定义的亚群。在这里,我们扩展了经典的有限混合回归模型,采用基于小波的方法,我们表示的功能预测和组件特定的系数函数在一个适当的小波基方面的功能预测。在模型的小波表示中,对应于函数协变量的系数成为预测因子。在这种情况下,我们通常有更多的预测比观察。因此,我们使用套索型惩罚来执行变量选择和估计。我们还考虑了我们的基于小波的模型的自适应版本。我们讨论了规格的模型,提供了一个拟合算法,并应用和评估我们的方法,使用模拟和一个真实的数据集,从认知能力和扩散张量成像措施之间的关系的研究与多发性硬化症的主题。
2013-12-02 stat.ME
Minimax adaptive wavelet estimator for the anisotropic functional deconvolution model with unknown kernel
在本文中,我们考虑的估计周期二维函数$f(\cdot,\cdot)$的基础上,从其噪声卷积的观察,和卷积核$g(\cdot,\cdot)$未知。假设$f$属于某个Besov空间,且核函数$g$满足某些光滑性质,我们得到了均方误差的极小极大下界.我们构造了一个自适应硬阈值小波估计器,在很宽的Besov球的对数因子内是渐近近最优的。该估计算法除了采用传统的硬阈值外,还采用截断的方法来估计小波系数。有限的模拟研究证实了理论主张的文件。
2019-05-18 math.ST stat.ME stat.TH
Functional clustering via multivariate clustering
本文提出将函数型数据通过上下图像指标及其导数转化为多元数据,再利用成熟多元聚类技术进行聚类,并通过模拟和真实数据验证其有效性。
2021-07-31 stat.AP stat.ME
Dynamic cross-scale wavelet coherence
King Abdullah University of Science Technology(阿卜杜拉国王科技大学)
提出一种新统计方法,首次实现功能脑网络中通道间局部相互作用的跨振荡特征描述,通过引入跨尺度依赖的CS-MvLSW模型,准确估计局部单尺度和跨尺度通道依赖性,并在ADHD儿童EEG数据中发现新的临床相关跨尺度相互作用。
2026-06-23 stat.AP stat.ME
Efficient functional ANOVA through wavelet-domain Markov groves
本文介绍了一种基于贝叶斯分层模型的小波域泛函方差方差分析(fANOVA)方法。因子效应通过每个位置-尺度组合处的尖峰和平板混合物以及系数和误差的正态-逆伽马(NIG)共轭设置进行建模。一个图形模型称为马尔可夫格罗夫(MG)的目的是共同模拟的尖峰和平板状态在所有的位置-尺度组合,它结合了聚类的每个因素的影响,在小波域,从而允许借款的强度跨越位置和规模。该NIG-MG模型的后验通过与用于离散小波变换的Mallat金字塔算法相同的计算复杂度的金字塔算法在分析上可用,即,在观测数量和位置数量上都是线性的。因子贡献的后验概率也可以通过金字塔递归来计算,并且可以在没有MCMC的情况下从后验中提取精确样本。我们调查我们的方法的性能,通过广泛的模拟,并表明它优于现有的小波域fANOVA方法在各种常见的设置。将该方法应用于矫形器的数据分析。
2016-02-21 stat.CO stat.ME stat.ML
Wavelet-Based Bayesian Hierarchical Modeling with Regularized Horseshoe Priors for Spatially Correlated Functional Data
Instituto de Matemática, Estatística e Computação Científica. Universidade Estadual de Campinas(UNICAMP)(坎皮纳斯州立大学数学、统计与科学计算研究所)
该研究针对空间相关功能数据,提出带正则化马蹄先验的小波贝叶斯分层模型,能稳定预测未监测位置的污染物曲线及不确定性,在墨西哥城PM₁₀数据上表现优于对比方法。
2026-08-28 stat.ME
An enriched mixture model for functional clustering
有越来越丰富的文献贝叶斯非参数模型聚类功能的观察。然而,大多数最近的建议依赖于无限维的特征,可能会导致过于复杂的集群解决方案。此外,虽然关于功能形状的先验知识通常是可用的,但其实际利用可能是一个困难的建模任务。受电子商务中的应用的启发,我们提出了一种新的丰富的Dirichlet混合模型的功能数据。我们的建议,同时结合功能约束的模型的复杂性。为了澄清潜在的分区机制,我们通过一个Pólya瓮计划的先验过程的特征。这些功能导致一个非常可解释的聚类方法相比,可用的技术。为了克服计算瓶颈,我们采用了一个易处理的后验推理变分贝叶斯近似。
2019-07-04 stat.AP stat.ME
Multi-feature Clustering of Step Data using Multivariate Functional Principal Component Analysis
本文提出了一种新的统计方法,用于聚类步骤数据,这是一种很容易从可穿戴设备中获得的流行形式的健康记录数据。由于阶跃数据是高维的,零膨胀的,经典的方法,如K均值和分割周围的medoid(PAM)不能直接应用。该方法是一种新的组合,新构造的变量反映了台阶数据的内在特征,例如数量、强度和模式,而多元函数主成分分析可以整合台阶数据的所有特征进行聚类。所提出的方法是通过应用传统的聚类方法,如K-均值和PAM从这些变量中获得的多元函数主成分得分。仿真研究和实际数据分析表明,聚类质量显着改善。
2020-10-15 stat.AP stat.ME
Clustering functional data with measurement errors: a simulation-based approach
针对受测量误差污染的函数型数据聚类易出错的问题,提出一种基于重复测量估计误差分布、结合真实函数条件分布模拟数据的聚类方法,经模拟和儿童肥胖研究验证性能更优。
2024-06-17 stat.AP stat.ME
Dependence-based fuzzy clustering of functional time series
本文提出结合模糊C-medoids和模糊C-means与基于分位数自相关扩展的新型相异度度量的函数时间序列聚类方法,有效识别相似依赖结构并在模拟和实际数据中验证了高精度与实用性。
2025-04-02 stat.AP stat.ME
Clustering and Forecasting Multiple Functional Time Series
对多个国家的同质年龄别死亡率进行建模和预测,可以改善长期预测。输入联合模型的数据通常根据名义属性进行分组,例如地理区域,种族群体和社会经济地位,这可能仍然包含异质性并使预测结果恶化。本文提出了一种新的聚类技术,追求多个功能时间序列之间的同质性的基础上功能面板数据模型来解决这个问题。利用固定效应的功能面板数据模型,我们可以提取共同的功能时间序列特征。这些共同特征可以分解为两个组成部分:功能的时间趋势和功能的变化模式(功能模式)。功能时间趋势反映了一段时间内的动态变化,而功能模式则反映了曲线内的波动。所提出的聚类方法通过考虑曲线之间的变化模式和时间动态来搜索多个国家的同质年龄别死亡率。我们证明了所提出的聚类技术优于其他现有的方法,通过蒙特卡罗模拟,可以处理复杂的情况下,缓慢衰减的特征值。在实证数据分析中,我们发现年龄别死亡率的聚类结果可以通过地理区域、种族群体和社会经济地位的组合来解释。我们进一步表明,我们的模型产生更准确的预测比几个基准方法在预测特定年龄的死亡率。
2022-01-04 stat.AP stat.ME
Grouped variable importance with random forests and application to multiple functional data analysis
被认为是使用随机森林算法的分组变量的选择。首先,提出了一种新的适用于变量组的重要性度量。理论上的见解,这一标准的添加剂回归模型。其次,开发了一种基于分组变量重要性测度的函数变量选择方法。使用小波基,它建议重组所有的小波系数为一个给定的功能变量,并使用这些群体的包装选择算法。提出了利用小波基的频率和时间局部化的各种其他分组。进行了广泛的模拟研究,以说明在这种情况下使用的分组的重要性措施。该方法被应用到一个现实生活中的问题来自航空安全。
2015-05-19 stat.ME
Elastic $k$-means clustering of functional data for posterior exploration, with an application to inference on acute respiratory infection dynamics
我们提出了一种新的方法,使用$k$ -手段框架的功能数据的聚类。我们在弹性功能数据分析框架内工作,该框架允许将功能数据中的整体变化分解为幅度和相位分量。我们使用的振幅分量分区功能到形状集群使用自动化的方法。为了选择适当数量的聚类,我们还提出了一种新的贝叶斯信息准则定义使用混合模型的主成分估计使用功能主成分分析。该方法的动机是后验探索的问题,其中从马尔可夫链蒙特卡罗算法获得的样本自然表示为函数。我们使用模拟数据集评估我们的方法,并将其应用于墨西哥圣路易斯波托西的急性呼吸道感染动力学研究。
2020-11-24 stat.AP stat.ME
Wavelet-based genetic association analysis of functional phenotypes arising from high-throughput sequencing assays
了解遗传变异如何影响细胞水平的过程是了解它们如何影响重要的生物体水平特征或“表型”(包括人类疾病易感性)的重要一步。为此,科学家们正在进行大规模的遗传关联研究,旨在确定与分子和细胞表型相关的遗传变异,如基因表达,转录因子结合或染色质可及性。这些研究使用高通量测序分析(例如RNA-seq,ChIP-seq,DNase-seq)来获得关于每个样品中性状如何沿基因组变化的高分辨率数据。然而,典型的关联分析无法利用这些高分辨率的测量,而是以较粗的分辨率聚合数据,例如基因或固定长度的窗口。在这里,我们开发和应用统计方法,更好地利用高分辨率数据。其关键思想是将序列数据视为测量沿基因组变化的潜在“功能”,然后基于小波的功能数据分析方法,测试遗传变异与潜在功能之间的关联。应用这些方法来识别与染色质可及性(dsQTL)相关的遗传变异,我们发现,它们识别出的关联比简单的基于窗口的分析要多得多,总共我们识别出772个未被原始分析识别出的新dsQTL。
2013-07-27 q-bio.GN stat.ME
Sparse Clustering of Functional Data
我们考虑的问题,聚类功能数据,同时共同选择最相关的功能进行分类。这个问题以前从未在函数数据上下文中解决过,它需要对函数数据的稀疏性概念进行适当的定义。函数稀疏聚类在这里被解析定义为一个变分问题与硬阈值约束,确保解决方案的稀疏性。首先,证明了有限维硬阈值稀疏聚类的唯一解。然后,给出了无限维推广,并证明了其解的唯一性。多变量和功能版本的稀疏聚类与硬阈值表现出其他标准和稀疏聚类策略的模拟数据的改进。还显示了一个真正的函数数据应用程序。
2015-01-20 stat.ME
A novel framework for joint sparse clustering and alignment of functional data
我们提出了一个新的框架稀疏功能聚类,也嵌入了对齐步骤。稀疏函数聚类是指在寻找分组结构的同时,联合检测曲线域中分组结构显示最多的部分。未对齐是函数式数据分析中的一个众所周知的问题,如果处理不当,会严重影响函数式聚类结果。因此,我们开发了一个稀疏的功能聚类过程,占可能的曲线不对齐:在聚类步骤中使用的函数测量的一致性的类,其中选择的扭曲功能的保证,并证明了适定性的稀疏聚类问题。还提出了一种可能的实现算法,联合执行所有这些任务:聚类,对齐和域选择。该方法进行了测试,在各种现实情况下的模拟数据,并讨论了其应用伯克利增长研究数据和AneuRisk65数据集。
2019-12-02 stat.ME
A Changepoint Detection Method for Profile Variance
提出了一种基于小波变换的变点方法,该方法确定了一系列功能曲线中的噪声的可变性何时从已知的固定值失控。简档的功能部分被允许来自一大类功能,并且可以随简档而变化。该方法利用小波投影的正交特性,准确有效地监测从一个剖面到下一个剖面的噪声水平。几种替代实现的估计进行了比较,在各种条件下,包括允许小波噪声子空间基本上被污染的配置文件的功能结构。所提出的方法被证明是非常有效的检测时,通过广泛的模拟研究的变化。
2014-08-29 stat.ME
The functional mean-shift algorithm for mode hunting and clustering in infinite dimensions
我们介绍了功能的均值漂移算法,一个迭代算法估计的代理密度从功能数据的局部模式。我们表明,该算法可用于功能数据的聚类分析。我们提出了一个测试的基础上的自助的替代密度的估计局部模式的意义。我们提出了我们的方法的两个应用程序。在第一个应用程序中,我们演示了如何使用函数均值漂移算法来执行尖峰排序,即聚类神经活动曲线。在第二个应用中,我们使用函数均值漂移算法来区分原始签名和伪造签名。
2014-08-06 stat.AP stat.ME stat.ML
Review of Clustering Methods for Functional Data
功能数据聚类是识别离散测量/观察结果背后的连续功能中的异质形态模式。函数数据聚类的应用已经出现在许多科学领域的出版物中,包括但不限于生物学、(生物)化学、工程学、环境科学、医学、心理学、社会科学等。函数数据聚类的应用的显著增长表明迫切需要一种系统的方法来开发有效的聚类方法和可扩展的算法实现。另一方面,关于时间序列、轨迹数据、时空数据等的聚类分析,存在丰富的文献,这些都与功能数据有关。因此,现有功能数据聚类方法的总体结构将使不同研究领域的想法能够交叉授粉。我们在这里进行一个全面的审查原始聚类方法的功能数据。我们提出了一个系统的分类,探讨现有的功能数据聚类方法之间的联系和差异,并将它们与传统的多元聚类方法。分类法的结构是建立在功能数据聚类方法的三个主要属性上的,因此比现有的分类法更可靠。该综述旨在弥合函数数据分析社区和聚类社区之间的差距,并为函数数据聚类产生新的原则。
2022-10-03 stat.ME stat.ML
Clustering Brain Signals: A Robust Approach Using Functional Data Ranking
在本文中,我们分析了脑电图(EEG),这是大脑电活动的记录。我们开发了新的聚类方法来识别同步的大脑区域,其中EEG根据其谱密度显示出相似的振荡或波形。我们把许多时期或试验的估计谱密度作为功能数据,并开发基于功能数据排序的聚类算法。这两个聚类算法使用不同的相异性措施:距离的功能中位数和中心区域的面积。所提出的算法的性能进行了检查,通过仿真研究。我们发现,当污染存在时,所提出的聚类谱密度的方法比基于均值的方法更鲁棒。所开发的方法被应用到两个阶段的休息状态的EEG数据从一个男大学生,对应于早期探索的功能连接在人脑中。
2020-07-28 stat.ME
Simultaneous Registration and Clustering for Multi-dimensional Functional Data
在过去的十年中,具有不对齐问题的函数数据的聚类引起了人们的广泛关注。大多数方法都是在函数数据注册后进行聚类,很少有同时使用函数变量和标量变量的研究。在本文中,我们提出了一个同时注册和聚类(SRC)模型,通过两个级别的模型,允许使用这两种类型的变量,也允许同时注册和聚类。对于从不同未知组中的受试者收集的数据,使用具有时间规整的高斯过程函数回归模型作为第一级模型;使用依赖于标量变量的分配模型作为第二级模型,提供组上的进一步信息。前者同时对多维功能数据(二维或三维曲线)进行配准和建模。这种方法是使用一个期望最大化算法,并检查模拟数据和真实数据。
2017-11-13 stat.ME
Bayesian Change Point Detection for Functional Data
我们提出了一种贝叶斯方法来检测功能数据的变化点。我们通过离散小波变换(DWT)来提取函数数据序列的特征,并独立地处理每个特征序列。我们认为,在可能不同的时间点,每个特征都可能发生变化。函数数据在整个观测序列中通过这种变化而演变。这个函数数据序列的变化点是所有特征变化的累积效应。我们分配的功能与先验结合的小波系数的特性。然后,我们计算每个特征序列的变化点的后验分布,并定义一个矩阵,其中每个条目是该序列中两个功能数据之间的相似性度量。我们计算所有可能分区的组间和组内平均相似度的比值,变化点是比值达到最小值的地方。我们使用气候变化数据集来演示这种方法。
2018-08-03 stat.ME
Anisotropic functional Laplace deconvolution
在本文中,我们考虑的问题,估计一个三维函数$f$的基础上,从其噪声拉普拉斯卷积的意见。我们的研究是出于动态对比增强(DCE)成像数据的分析。我们构造了$f$的自适应小波Laguerre估计,当$f$属于三维Laguerre-Sobolev球时,得到了$L^2$ -风险的Minimax下界,并证明了小波Laguerre估计是自适应的,在很大范围的Laguerre-Sobolev空间中是渐近近优的.我们进行了有限的模拟研究,并表明估计在有限的样本设置表现良好。最后,我们使用该技术的解决方案的拉普拉斯反褶积问题的基础上,DCE计算机断层扫描数据。
2018-07-15 stat.ME
Joint Clustering and Registration of Functional Data
曲线配准和聚类是功能数据分析中的基本工具。虽然已经开发了几种方法,并分别为任何一个任务进行了探索,有限的工作已经做了推断功能集群和寄存器曲线同时。我们提出了一个层次模型的联合曲线聚类和注册。我们的建议结合了Dirichlet过程的混合模型的聚类常见的形状,与再生核表示的相位变化注册。我们展示了如何推理可以进行应用标准的后验模拟算法,并比较我们的方法在工程数据和伯克利增长数据的基准分析的几种选择。我们结束我们的调查与应用程序的时间过程基因表达。
2014-03-27 stat.ME
Model based functional clustering of varved lake sediments
在本文中,我们提出了一个基于模型的方法,用于聚类的主题,功能数据与协变量一起观察。该模型允许不同聚类内的协方差结构不同。该模型扩展了James和Sugar(2003)提出的模型。我们推导出一个期望最大化算法来估计参数。该方法适用于每年层压(纹)沉积物在瑞典北部的Kassjön湖,推断过去的气候变化。
2019-04-23 stat.ME
Clustering Functional Data via Variational Inference
功能数据分析处理随时间(或任何其他连续体)密集记录的数据,每个受试者具有一个或多个观察曲线。从概念上讲,函数数据是连续定义的,但在实践中,它们通常是在离散点上观察到的。在不同类型的函数数据分析中,聚类分析的目的是在数据集中确定潜在的曲线组,当没有每个单独曲线的组成员信息时。在这项工作中,我们提出了一种新的基于模型的方法,通过变分推断聚类和平滑功能数据同时进行。我们推导出坐标上升平均场变分贝叶斯算法来近似我们的模型参数的后验分布,通过找到最小的库尔贝克-莱布勒散度的变分分布的后验。我们提出的方法的性能进行评估,使用模拟数据和公开可用的数据集。
2023-01-19 stat.ME
Adaptive Functional Clustering with Structured Dependence via Variational Inference
Yonsei University(延世大学)
该研究针对现有函数聚类方法的局限性,提出一种结合狄利克雷过程先验、自适应平滑度控制与灵活协方差建模的自适应贝叶斯函数聚类方法,采用变分推断提升计算效率,用于处理带结构化曲线内依赖的函数数据聚类。
2026-09-01 stat.ME
Sequential Clustering for Functional Data
本文提出SeqClusFD,一种基于间隙统计和函数箱线图的序贯聚类方法,用于函数型数据,能同时估计簇数并识别关键特征。
2016-08-04 stat.ME
Multivariate Functional Clustering with Variable Selection and Application to Sensor Data from Engineering Systems
针对多传感器函数型数据聚类中存在无信息传感器的问题,提出一种结合函数主成分分析、高斯混合模型和三种惩罚的自动变量选择聚类方法,有效识别信息传感器并揭示系统运行模式。
2024-01-04 stat.ME
Probabilistic $K$-mean with local alignment for clustering and motif discovery in functional data
我们提出了一种新的方法来局部聚类曲线和发现功能模体,即~典型的“形状”,可能会重复几次沿和跨越曲线捕捉重要的局部特征。为了识别这些共享的曲线部分,我们的方法利用了来自功能数据分析(曲线的联合聚类和对齐),生物信息学(通过高相似性种子的扩展进行局部对齐)和模糊聚类(如果曲线包含多个典型的“形状”,则属于多个聚类)的想法。它可以采用各种不同的措施,并纳入发现过程中的衍生物,从而利用形状的复杂方面。我们证明了我们的方法的性能与广泛的模拟研究,并显示它是如何推广其他聚类方法的功能数据。最后,我们提供了伯克利增长数据,意大利Covid-19死亡曲线和与诱变相关的“Omics”数据的真实数据应用。
2020-07-07 stat.ME
Clustering of functional data prone to complex heteroscedastic measurement error
针对易受复杂异方差测量误差影响的函数型数据,提出基于混合效应模型的两阶段聚类方法,有效校正误差偏差并提升聚类准确性。
2025-01-31 stat.ME
On Misspecified Error Distributions in Bayesian Functional Clustering: Consequences and Remedies
Hiroshima University(广岛大学);Center for Advanced Intelligence Project, RIKEN(理化学研究所先进智能研究中心);Faculty of Economics, Keio University(庆应义塾大学经济学部)
本文揭示贝叶斯函数聚类高估簇数源于误差独立性误设,提出用高斯过程建模相关结构并给出可扩展近似,显著改善狄利克雷过程聚类效果。
2025-10-20 stat.ME
A k-means procedure based on a Mahalanobis type distance for clustering multivariate functional data
本文提出了一个聚类过程中的多元函数的样本$(L^2(I))^{J}$,与$J\geq1$。该方法基于k-均值算法,其中曲线之间的距离是用在Hilbert空间中推广Mahalanobis距离的度量来测量的,考虑了函数数据的所有分量的相关性和可变性。所提出的程序进行了研究,在模拟和比较的k-均值的基础上,通常采用的聚类多元函数数据的距离。在这些模拟中,它示出的k-means算法与广义马氏距离提供了最好的聚类性能,无论是在平均值和标准差的误分类曲线的数量。最后,所提出的方法已被应用到两个真实的案例研究,关于心电信号和生长曲线,在模拟中得到的结果得到证实和加强。
2017-08-01 stat.ME
Two-stage Ensemble Clustering of Functional Data Using Random Projections
Indian Statistical Institute(印度统计研究所);Indian Institute of Science Education and Research Kolkata(印度科学教育与研究学院加尔各答分校)
本文提出了一种基于高斯过程生成随机投影的函数数据聚类方法,通过两阶段聚类策略,利用均绝对距离度量进行高维数据聚类,并通过数据驱动的投影方向进一步优化聚类结果,验证了该方法在多种函数数据场景中的高准确性。
2026-05-21 stat.ME
Covariance-based soft clustering of functional data based on the Wasserstein-Procrustes metric
我们考虑的问题,聚类功能数据根据其协方差结构。我们贡献了一个软聚类方法的基础上的Wasserstein-Procrustes距离,在集群之间的变化是由一个长期的分区分割的熵矩阵成比例的惩罚。通过这种方式,每个协方差运算符可以部分地分类到多个组中。这种软分类允许集群重叠,并且在所有或部分集群之间的分离没有明确定义的情况下自然会出现。我们还讨论了如何估计组的数量,并测试任何集群结构的存在。使用模拟和真实数据说明该算法。补充材料中提供了R实现。
2022-12-26 stat.ME
Robust Two-Layer Partition Clustering of Sparse Multivariate Functional Data
针对稀疏多元函数数据,提出了一种新的弹性时间距离,并将其应用于一种鲁棒的基于距离的两层划分聚类方法。利用该距离,新方法不仅可以检测出稀疏多变量函数数据在离群点设置下的正确聚类,而且可以检测出不属于任何聚类的离群点。经典的基于距离的聚类方法,如基于密度的空间聚类的应用程序与噪声(DBSCAN),凝聚层次聚类,和$K$ -medoids扩展到稀疏的多元函数的情况下,新提出的距离的基础上。仿真数据的数值实验表明,该算法的性能优于现有的基于模型和扩展的基于距离的方法的性能。以西北太平洋气旋路径资料为例,验证了该方法的有效性。
2023-03-19 stat.CO stat.ME
Mixture-of-Finite-Mixtures Wishart Model for Clustering Covariance Matrices with an Application to Brain Functional Connectivity
University of Notre Dame(圣母大学)
提出MFM-Wishart贝叶斯模型,结合威沙特混合分量与有限混合先验,实现协方差矩阵数据的聚类与簇数联合推断,并应用于婴儿睡眠功能连接聚类。
2026-11-03 stat.ME
Computer model validation with functional output
评价计算机模型的一个关键问题是计算机模型是否充分代表现实?Bayarri等人[Technometrics 49(2007)138- 154](并在下面简要总结)基于计算机模型运行与被建模过程的现场数据的比较,阐述了计算机模型验证的六步过程。该方法特别适合于处理与验证过程相关的主要问题:量化计算机模型中的误差和不确定性的多种来源;结合多种信息来源;以及能够适应不同但相关的情景。在实践中经常出现的两个复杂情况是,需要处理高度不规则的函数数据,以及需要承认和纳入输入中的不确定性。我们开发了处理这两种并发症的方法。该方法的一个关键部分是利用小波表示的功能数据,应用层次版本的标量验证方法的小波系数,并转换回来,最终比较计算机模型输出与现场输出。该方法的一般性仅受计算工具的组合的能力和这里采用的分类(小波)的分解的适当性的限制。我们提出的方法和分析说明了一个特定的工程系统的试验台动态应力分析。
2007-11-21 stat.ME
Clustering Sets of Functional Data by Similarity in Law
提出一种非监督、非参数的函数型数据集合聚类方法,按概率分布分类,给出分类误差有限界及数据驱动选择最佳划分的启发式,模拟数据验证了性能。
2023-12-27 stat.ME
Parameter clustering in Bayesian functional PCA of fMRI data
在过去的几十年里,用于大脑记录的神经科学技术取得了非凡的进步,导致了越来越复杂的时空数据集。为了减少过度简化,已经开发了新的模型,以便能够在高要求的数据环境中识别有意义的模式和新的见解。在这种程度上,我们提出了一种新的模型,称为参数聚类功能主成分分析(PCL-fPCA),融合了功能数据分析和贝叶斯非参数化的想法,以获得灵活的和计算上可行的信号重建和探索的时空神经科学数据。特别是,我们使用一个狄利克雷过程高斯混合模型聚类功能主成分得分内的标准贝叶斯功能PCA框架。这种方法捕捉平滑的时间序列(曲线)之间的空间依赖性结构及其与时域的相互作用,而不对数据施加先前的空间结构。此外,通过将混合物从数据移动到功能主成分得分,我们获得了更一般的聚类过程,从而允许更高层次的复杂洞察力和对数据的理解。我们目前的结果,从模拟研究表明,改善曲线和相关性重建相比,不同的贝叶斯和频率fPCA模型,我们应用我们的方法功能磁共振成像和脑电图数据分析提供了丰富的探索大脑时间序列的时空依赖。
2020-09-21 stat.ME
Model-Based Clustering of Functional Data Via Random Projection Ensembles
Department of Statistical Sciences - University of Bologna(博洛尼亚大学统计科学系)
本文提出基于随机投影集合的功能数据聚类方法,通过高斯混合模型和Kullback-Leibler散度实现高效降维与聚类,适用于光谱和语音数据的高效聚类分析。
2025-12-17 stat.ME
Clustering of functional boxplots for multiple streaming time series
在本文中,我们介绍了一个微聚类策略的功能箱线图。目的是总结一组在非重叠窗口中分割的流式时间序列。它是一个两步的策略,首先执行,一个在线摘要的功能数据结构,命名为功能箱线图微集群,然后它揭示了最终的摘要,离线处理,功能数据结构。我们的主要贡献在于提供一个新的定义的微集群的基础上功能箱线图,并在定义一个接近的措施,允许比较和更新它们。这允许通过数据的五个功能基本统计来获得流式传输时间序列的更精细的图形概括。所获得的合成将能够跟踪多个流的动态演化。
2012-12-12 stat.ME stat.ML
funOCLUST: Clustering Functional Data with Outliers
Department of Mathematics & Statistics, Trent University, Ontario, Canada(数学与统计学系,特伦特大学,安大略省,加拿大);Department of Mathematics & Statistics, McMaster University, Ontario, Canada(数学与统计学系,麦斯特大学,安大略省,加拿大)
针对函数数据聚类难题,提出扩展OCLUST算法到函数设置,利用该框架创建稳健方法聚类曲线并剔除离群值,经模拟和真实数据集评估,展现出在聚类及离群值识别方面的强大性能。
2026-11-10 cs.LG stat.ME stat.ML
funLOCI: a local clustering algorithm for functional data
本文提出 funLOCI 算法,基于分裂层次聚类与加性模型识别函数型局部聚类,解决函数型数据在连续域子集上的相似行为分组问题,并通过树状图引导搜索及额外步骤精简结果。
2023-05-22 stat.ME stat.ML
Functional Clustering of Survival Data via Smoothed Log-Hazard Trajectories: A Risk-Dynamics Perspective
University of Campania “Luigi Vanvitelli”(坎帕尼亚路易吉·范维特利大学);Universitas Mercatorum(梅尔卡托姆大学)
提出一种基于平滑对数风险轨迹的功能主成分分析聚类框架,从风险动态角度对生存数据进行聚类,并通过模拟和真实临床数据验证其有效性和鲁棒性。
2026-05-31 stat.ME stat.ML
TrendLSW: Trend and Spectral Estimation of Nonstationary Time Series in R
TrendLSW包提供小波技术分析非平稳时间序列,包括趋势下谱估计、趋势估计及置信区间,支持任意长度数据,无需预处理。
2024-11-05 stat.CO stat.ME
Revealing spatial variability structures of geostatistical functional data via Dynamic Clustering
在一些环境应用中,数据是时间的函数,基本上是连续的,被离散地观察和记录,并且空间相关。大多数分析此类数据的方法都是空间统计工具的扩展,这些工具处理空间相关的功能数据。在这样的框架下,本文介绍了一种新的聚类方法。其主要特点是,它发现的功能组,是彼此相似的空间功能变异性,它位于一组中心,总结了每个集群的空间功能变异性。该方法优化,通过迭代算法,最佳的拟合标准之间的分区的曲线和集群的代表性元素,假设是一个变差函数。所提出的聚类方法的性能进行了评估,通过研究模拟和真实数据集上的应用程序所获得的结果。
2011-06-27 stat.CO stat.ME
Penalized Clustering of Large Scale Functional Data with Multiple Covariates
在这篇文章中,我们提出了一个惩罚聚类方法的大规模数据与多协变量通过功能数据的方法。在所提出的方法中,响应和协变量通过非参数多元函数(固定效应)连接在一起,这在建模各种函数特征(如跳跃点、分支和周期性)方面具有很大的灵活性。函数方差分析被用来进一步分解多变量函数在一个再生核希尔伯特空间,并提供相关的主效应和相互作用的概念。使用简约的随机效应来捕获各种相关性结构。混合效应模型被嵌套在一个一般的混合模型下,其中函数数据的异质性的特点。我们提出了一个惩罚亨德森的似然方法的模型拟合和设计拒绝控制的期望最大化算法的估计。我们的方法通过广义交叉验证来选择平滑参数。此外,贝叶斯置信区间被用来衡量聚类的不确定性。仿真研究和实际数据的例子,调查所提出的方法的经验性能。开源代码在R包MFDA中提供。
2008-01-16 stat.CO stat.ME
Nonparametric Clustering of Functional Data Using Pseudo-Densities
我们研究了光滑随机曲线的非参数聚类的基础上的L2梯度流相关的伪密度泛函,我们表明,聚类是定义良好的人口和样本水平。我们提供了一个算法来标记显着的本地模式,这是相关的信息样本集群,我们推导出它的一致性属性。我们的理论是在弱假设下发展起来的,这基本上减少了随机曲线的可积性,并且不需要将随机曲线投影到有限维子空间上。然而,如果基本的概率分布是支持一个有限维的子空间,我们表明,伪密度和核密度估计的期望诱导相同的梯度流,因此相同的聚类。虽然我们的理论是为属于无限维函数空间的平滑曲线开发的,但我们也提供了可用于实际数据(离散和噪声观测)的一致程序。
2016-01-28 math.ST stat.ME stat.TH