Ⅳ模型中变点检测的MOSUM方法

研究了IV模型中变点检验问题;方法:提出了基于加权残差滑动和(Weighted-MOSUM)的最大值检验统计量,证明了其在原假设和备择假设下的极限性质,该检验方法在特征量与跃度非正交性条件下,当δ=1/2具有非平凡势(non-trivial power),而当0≤δ≤1/2时,则是相合的。

基于MOSUM的合并带宽变点估计方法

在变点的应用研究中,针对时间序列中存在短时间间隔内大变化和长时间间隔内小变化的变点问题,现有的检测方法都难以解决。文章以此为出发点做进一步的探究,首先,基于移动和统计量(MOSUM),考虑了一个可能存在时间序列误差的多均值变点模型,并构造检验统计量。其次,使用移动和类型估计器对长期运行方差估计,并考虑带宽对检验统计量的影响,提出了合并带宽MOSUM检测方法(MMT)。最后,通过对该方法进行模拟比较,实证分析了美国Nasdaq股市在2005年1月至2015年3月的收益率变化情况。结果表明:在检测准确率和精度上,MMT方法整体比WBS、cumSeg和PELT方法更好,同时也能准确识别Nasdaq股市收益率产生突变的时间点。

基于MOSUM的多重滤波变点检测研究

多时间尺度的变点问题一直是质量控制中的热点研究对象。基于移动和统计量(MOSUM),提出了一种多重过滤检验方法(MFT),以检验均值不变的零假设或存在均值变点的备择假设。首先,为使方法具有实用性和一般性,构建均值变点模型,并假定分布假设较弱。其次,由于单一窗宽对变点检测的局限性,构造了一个弱收敛到一个布朗运动相关的函数的MOSUM统计量,进而应用多个窗宽下MOSUM过程进行多变点检测。最后,为使得MFT方法不受其它分布参数变化影响,对模型均值外的参数变化作了鲁棒性检验。经模拟研究和实证分析表明,MFT方法的估计精度和准确度比一般方法更具优势和实效性。

基于ME-BiLSTM模型的苜蓿叶面积指数预测方法

连续时序的叶面积指数(Leaf Area Index,LAI)可反映苜蓿长势的变化情况,预测苜蓿未来时段的LAI对指导田间管理决策具有重要作用。针对LAI数据采集困难,导致苜蓿时序LAI存在训练数据不足的问题,该文以生长天数为自变量,采用修正的Logistic模型对实测苜蓿LAI变化的动态过程进行建模,根据LAI模拟曲线进行数据插补,从而构建宁夏引黄灌区试验区3年的逐日苜蓿LAI数据集。在插补数据集的基础上,为解决苜蓿刈割后数据突变问题,提出了一种ME-BiLSTM模型。该模型集成移动累计和检验方法(MOSUM)以及基于双向长短期记忆网络(BiLSTM)的编码器-解码器神经网络。MOSUM方法可以实现LAI数据集中突变点检测,并剔除包含突变点训练批次,同时应用改进的BiLSTM模型进行预测。结果表明:ME-BiLSTM模型能较好地进行苜蓿LAI未来曲线变化的预测,其决定系数(R^(2))、均方根误差(RMSE)值分别为0.9985和0.0722。对于苜蓿生长的各个茬次,预测模型对于第1茬、第4茬的预测精度最高,第2茬和第3茬的预测精度稍有降低。