Filtering of Multidimensional Stationary Sequences with Missing Observations
针对带噪声和缺失观测的多维平稳序列,研究线性泛函的均方最优线性估计,在谱已知时给出精确公式,谱不确定时采用极小极大稳健方法并确定最不利谱密度。
2018-04-12 math.PR math.ST stat.TH
Optimal rates for parameter estimation of stationary Gaussian processes
利用Wiener空间中的优化工具,研究了一般平稳和非平稳高斯序列泛函的部分和的中心极限定理的收敛速度.我们将所得结果应用于分数阶布朗运动驱动的一类随机微分方程的漂移参数估计问题.
2016-03-15 math.ST stat.TH
Quantitative evaluation of the performance of discrete-time reservoir computers in the forecasting, filtering, and reconstruction of stochastic stationary signals
本文在储备池计算(RC)的背景下,扩展了非独立输入信号的信息处理能力的概念。输入自相关的存在使得值得的预测和过滤问题的治疗,我们明确地计算这个广义容量作为一个函数的水库参数值使用一个流线型模型。水库模型导致这些发展是用来表明,只要近似是有效的,这种计算范式满足所谓的分离和衰落的记忆特性,通常与良好的信息处理性能。我们发现,几个标准的记忆,预测和过滤的问题,出现在参数随机时间序列的背景下,可以很容易地制定和解决通过RC,我们表明,显着优于标准技术在某些情况下。
2015-10-07 cs.ET cs.NE math.ST
Asymptotic properties of the MLE for the autoregressive process coefficients under stationary Gaussian noise
本文研究了带正则平稳高斯噪声的$p$阶自回归过程向量参数的极大似然估计。我们展示了大样本渐近性质的极大似然估计在非常温和的条件下。对分数高斯噪声(fGn)、自回归噪声(AR(1))和移动平均噪声(MA(1))进行了仿真。
2013-04-22 math.ST stat.TH
Gaussian stationary processes over graphs, general frame and maximum likelihood identification
本文利用Hilbert算子的谱理论,研究了图指标的ARMA高斯过程。我们推广了相应谱密度参数的Whittle极大似然估计,并证明了它们的渐近最优性。
2012-03-21 math.ST stat.TH
Fast and exact simulation of complex-valued stationary Gaussian processes through embedding circulant matrix
研究了模拟平稳复值高斯序列的嵌入循环矩阵方法。该方法,特别是,被证明是非常适合于生成圆对称平稳高斯过程。给出了复协方差函数的简单条件,保证了最小嵌入循环矩阵方法的理论有效性。我们证明了这些条件是满足许多例子,并说明了算法。特别是,我们提出了一个模拟研究涉及的圆对称分数布朗运动,本文介绍的模型。
2016-04-01 math.ST stat.TH
Asymptotic efficiency in the Autoregressive process driven by a stationary Gaussian noise
这篇文章的第一个目的是获得A. S。在平稳高斯噪声驱动的自回归过程中,极大似然估计的渐近性质。第二个目的是证明似然比的局部渐近正态性,从而得到渐近有效性的概念,并建立一个渐近一致不变的检验自回归参数显著性的最有效方法。
2018-10-20 math.ST stat.TH
Controlled Mean-Reverting Estimation for The AR(1) Model with Stationary Gaussian Noise
本文研究了一类具有平稳高斯噪声(有色噪声)的一阶自回归模型的均值回复参数的极大似然估计。利用拉普拉斯变换的方法,研究了极大似然估计的渐近性质和渐近设计问题。数值模拟结果证实了理论分析的正确性,并表明所提出的极大似然估计在有限样本下具有良好的性能。
2020-11-18 math.ST stat.TH
A natural 4-parameter family of covariance functions for stationary Gaussian processes
本文给出了平稳高斯过程的一个四参数协方差函数族。我们称之为2DSYS。它对应于一个自治的二阶线性随机微分方程的通解,因此自然地从建模中产生。它包括欠阻尼和过阻尼系统,因此,建议使用这个家庭时,人们希望决定是否一个时间序列对应于随机强迫阻尼振荡或随机强迫过阻尼系统。
2018-10-17 math.ST stat.TH
Filtering Problem for Functionals of Stationary Processes with Missing Observations
Taras Shevchenko National University of Kyiv(基辅塔拉斯舍甫琴科国立大学)
研究含缺失观测的平稳过程泛函滤波问题,分别在谱密度已知与仅给定容许集合时,给出最优线性估计及极小极大稳健估计的误差、谱特征和最不利谱密度公式。
2025-10-19 math.ST stat.TH
Adaptive wavelet based estimator of the memory parameter for stationary Gaussian processes
这项工作的目的是作为一个基于小波的自适应估计的记忆参数在经典的半参数框架高斯平稳过程的贡献。特别是我们介绍和开发的数据驱动的最佳带宽的选择。此外,我们还建立了记忆参数的估计具有极大极小收敛速率(直到对数因子)的中心极限定理。估计的质量证明了模拟。
2008-02-04 math.ST stat.TH
Parameter estimation for SDEs related to stationary Gaussian processes
本文研究一般平稳高斯场泛函的部分和的中心极限定理和非中心极限定理。我们应用所得结果研究了与平稳高斯过程有关的随机微分方程的漂移参数估计问题。
2015-01-20 math.PR math.ST stat.TH
Problem of Estimation of Fractional Derivative for a Spectral Function of Gaussian Stationary Processes
研究了高斯平稳序列(时间序列)未知谱函数分数阶导数的非参数估计问题,证明了当导数阶数小于小于0.5时,该问题是适定性的,且具有经典的收敛速度。我们还证明了所提供的估计的渐近无偏性和正态性,并具有最佳收敛速度。为了构造函数范数下的置信区域,我们建立了连续函数相应空间中的中心极限定理。
2015-04-16 math.ST stat.TH
Asymptotically efficient estimators for self-similar stationary Gaussian noises under high frequency observations
本文针对一类具有自相似平稳特性的高斯噪声(包括分数阶高斯噪声),在高频观测下,给出了可行的渐近有效估计。在这种情况下,最佳估计速率取决于Hurst或扩散参数是否已知。这是由于同时估计上述两个参数的渐近Fisher信息矩阵的奇异性。我们的一个关键思想是将Whittle估计方法推广到高频观测的情况。我们证明了我们的估计量在Fisher意义下是渐近有效的。
2016-11-22 math.ST stat.TH
Gaussian Approximation For Non-stationary Time Series with Optimal Rate and Explicit Construction
本文针对非平稳时间序列提出两种高斯逼近构造方法,获得最优速率并适用于广泛模型,进而用于变点检测和同时推断,并通过模拟与真实数据验证。
2024-08-07 math.ST stat.TH
Parameter Estimation of Gaussian Stationary Processes using the Generalized Method of Moments
本文考虑一类具有显参数谱密度的平稳高斯过程。在自协方差函数满足一定条件的情况下,利用Breuer-Major定理和前人关于遍历性的结果,定义了一个满足相合性和渐近正态性的GMM估计.这一结果被应用到由分数布朗运动驱动的平稳Ornstein-Uhlenbeck(festival)过程的三个参数的联合估计。其GMM估计量的渐近正态性适用于(0,1)中的任何H,并且对其余参数有一定的限制。数值研究是在第四种情况下进行的,以说明估计的实际性能时,数据点的数量是温和的。
2017-01-16 math.ST stat.TH
Simulation of non-stationary and non-Gaussian random processes by 3rd-order Spectral Representation Method: Theory and POD implementation
本文介绍了模拟非平稳、非高斯随机过程的$3^{rd}$ -阶谱表示方法。该方法扩展了经典的$2^{nd}$ -顺序谱表示方法,将随机过程从演化双谱和演化功率谱中扩展出来,从而使过程完全匹配到三阶。一个适当的正交分解(POD)的方法,进一步提出了一个有效的FFT为基础的实现,大大降低了计算成本。两个例子,包括一个完全非平稳地震动过程的模拟,突出了所提出的方法的准确性和有效性。
2021-09-28 math.ST stat.TH
Optimal linear filtering of partially observed polynomial processes in discrete and continuous time
Christian-Albrechts-Universität zu Kiel(基尔大学)
针对部分观测的多项式过程,利用其与高斯过程在二阶矩上的不可区分性,构造高斯等价过程并显式计算最优线性滤波器、预测器和平滑器。
2026-11-13 math.PR math.ST stat.TH
Tests of independence for pairs of paths of non-stationary Gaussian processes
Imperial College London(帝国理工学院);Rice University(莱斯大学)
本文为非平稳高斯过程(标准布朗运动与分数布朗运动)路径对的独立性检验提供了理论结果。
2025-10-27 math.PR math.ST stat.TH
Second-order continuous-time non-stationary Gaussian autoregression
研究了高斯白噪声驱动下二阶线性随机常微分方程中未知参数的极大似然估计的渐近性态.重点是在非遍历的情况下,当相应的特征方程的根不都在左半平面。
2012-06-07 math.PR math.ST stat.TH
Mixed Gaussian processes: A filtering approach
本文提出了一种分析混合过程\[X_t=B_t+G_t,\qquad t\in[0,T],\]的新方法,其中$B_t$是布朗运动,$G_t$是独立中心高斯过程.利用线性滤波理论,我们得到了$X$的一个新的正则新息表示。当核\[K(s,t)=\frac{\partial^2}{\partial s\,\partial t}\mathbb{E}G_tG_s,\qquad s\ne t\]在对角线上具有弱奇异性时,我们的结果推广了经典的新息公式,使之超出了平方可积〔的〕.对于具有较强奇异性的核,我们的方法适用于具有额外“分数”结构的过程,包括来自数学金融的混合分数布朗运动。我们如何先前已知的措施等价关系和半鞅性质遵循我们的规范表示在一个统一的方式,并补充他们与新的公式Radon-Nikodym密度。
2016-09-02 math.PR math.ST stat.TH
Filtering Problem for Functionals of Stationary Processes with Missing Observations
针对缺失观测下平稳过程泛函的均方最优线性估计问题,在谱密度已知时给出误差与谱特性公式,未知时采用极小极大鲁棒方法并确定最不利谱密度。
2016-09-04 math.PR math.ST stat.TH
Taylor Moment Expansion for Continuous-Discrete Gaussian Filtering and Smoothing
本文研究了连续-离散状态空间模型中的非线性高斯滤波和平滑问题,其中动态模型用伊藤随机微分方程表示,测量值是在离散时刻得到的。我们提出了一种新的泰勒矩展开(TME)高斯滤波器和平滑器,它近似的时刻的时间泰勒展开。与经典线性化或Ito-Taylor方法不同,泰勒展开式是直接针对时间变量的矩函数形成的,而不是通过对模型中的非线性函数使用泰勒展开式。我们分析了TME高斯滤波器和平滑器的理论性质,包括协方差估计的正定性和稳定性。通过数值实验,我们表明,所提出的TME高斯滤波器和平滑显着优于国家的最先进的方法在估计精度和数值稳定性。
2020-01-08 math.ST stat.AP stat.ME
Kalman Filtering with Intermittent Observations: Weak Convergence to a Stationary Distribution
Carnegie Mellon University(卡内基梅隆大学)
本文研究了当观测值的到达用Bernoulli i.i.d.描述时,Kalman滤波中随机代数Riccati方程(RARE)的渐近性态。过程我们将RARE建模为一个保序的强次线性随机动力系统(RDS)。在一个充分条件下,随机有界性,并使用保序,强次线性RDS的极限集二分法的结果,我们建立了渐近性质的RARE:序列的随机预测误差协方差矩阵弱收敛到一个唯一的不变分布,其支持表现出分形行为。特别是,这种弱收敛在广泛的条件下,甚至当观测到达率低于平均稳定的临界概率。我们应用弱Feller属性的马尔可夫过程管理的RARE的特征支持的限制不变分布的拓扑封闭的可数点集,这在一般情况下,是不密集的一组半正定矩阵。我们使用的支持不变分布和样本路径的几乎必然遍历的明确表征,很容易计算的不变分布的时刻。一个一维的例子说明了支撑是具有自相似性质的非负实数的一个断裂子集。
2010-05-28 cs.IT cs.LG math.IT
Piterbarg's max-discretisation theorem for stationary vector Gaussian processes observed on different grids
在本文中,我们推导出Piterbarg的最大离散定理,考虑两个不同的网格中心平稳向量高斯过程。到目前为止,在这个方向上的文献结果已经得出了联合分布的最大高斯过程在$[0,T]$和网格$ \mathfrak{R}(δ_1(T))=\{kδ_1(T): k=0,1,\cdots\}$。在本文中,我们扩展了最近的研究结果,考虑另外的\bE{maximum}在另一个网格$ \mathfrak{R}(δ_2(T))$。我们通过令$T\to \infty$得到了在不同网格选择下平稳高斯向量过程最大值的联合极限分布。
2014-10-07 math.PR math.ST stat.OT
Uniform {\varepsilon}-Stability of Distributed Nonlinear Filtering over DNAs: Gaussian-Finite HMMs
本文研究了条件高斯噪声中部分观测的有限状态空间马尔可夫链的分布式滤波稳定性。我们考虑一个非线性过滤计划在分布式网络的代理(DNA),它依赖于分布式评估的集中式非线性滤波的似然部分,是基于一个特定的专业化的交替方向法的乘法器(ADMM)的快速平均共识。假设网络中每个传感器的任何两个连续噪声测量之间的一致步骤数相同,我们充分表征了最小数量的此类步骤,使得分布式滤波器在有限的操作范围T内以及在所有传感器上以规定的精度水平{ \varepsilon } \in(0,1]保持一致稳定。稳定性是在每个传感器处以及T内的每个时间处的后验的集中式和分布式版本之间的\ell_1范数的意义上。粗略地说,我们的主要结果表明,一致的{ \varepsilon }-稳定性的分布式过滤过程只依赖于对数线性T和(大致)的网络的大小,并仅在数学上的1/{ \varepsilon }。如果满足该总对数线性界限,则任何额外的共识迭代将导致共识误差的完全量化的进一步指数衰减。我们的边界是普遍的,在这个意义上,他们是独立的高斯隐马尔可夫模型(HMM)的特定结构正在考虑。
2016-09-26 math.OC math.ST stat.ML
On Minimax Detection of Gaussian Stochastic Sequences and Gaussian Stationary Signals
研究了协方差矩阵未知的高斯随机序列(信号)的Minimax检测问题。对于一个固定的虚警概率(第一类错误概率),极大极小检测的性能是由丢失概率(第二类错误概率)的最佳指数衰减率表征的,因为观测间隔的长度趋于无穷大.我们的目标是找到最大的一组协方差矩阵,使这组(复合假设)的极大极小稳健检验可以替换为测试只有一个特定的协方差矩阵(简单假设)没有任何损失的检测特性。在本文中,我们完全描述了这一最大的协方差矩阵集。一些推论解决了嵌入在高斯白噪声中的高斯随机信号的极小极大检测和高斯平稳信号的检测。
2021-04-13 cs.IT math.IT math.ST
On Minimax Robust Detection of Stationary Gaussian Signals in White Gaussian Noise
研究了高斯白噪声中广义平稳高斯信号过程的检测问题,其中信号过程的功率谱密度具有不确定性。极小极大鲁棒检测的性能是由具有固定虚警概率的Neyman-Pearson准则下的未命中概率的指数衰减率来表征的,随着观测间隔的长度无限制地增长。一个优势条件确定的不确定性集的谱密度函数,它是建立,在优势条件下,由此产生的极大极小问题具有鞍点,这是可以实现的似然比测试匹配到所谓的主导功率谱密度的不确定性集。建立这个结果不需要不确定性集上的凸性条件。
2010-04-30 cs.IT math.IT math.ST
On the Mathematical Theory of Ensemble (Linear-Gaussian) Kalman-Bucy Filtering
该综述系统梳理连续时间线性高斯场景下集成Kalman-Bucy滤波的数学理论,分析多类变体的演化方程与收敛、稳定特性,给出适配不稳定潜信号的非渐近结果,并证明自举粒子滤波器无法跟踪基础不稳定潜信号,还讨论了非线性推广与实际滤波行为的关联。
2023-06-15 math.OC math.PR math.ST