尤瑟夫·奥利亚埃莫特拉赫;塔波什·班纳吉;艾哈迈德·塔哈;约翰·尤金 在具有未知变化后分布的统计周期性过程中最快速的变化检测。 （英语） 兹伯利07785271 序贯分析。 42，第4号，404-437（2023）。 摘要：算法是为快速检测统计周期过程中的变化而开发的。这些过程的统计特性是非平稳的，但在固定的时间间隔后会重复。假设决策者已知变更前的法律，但未知变更后的法律。在此框架中，研究了三类问题：鲁棒最快变化检测、联合最快变化的检测和分类以及多时隙最快变化监测。在多时隙问题中，可能发生变化的时段内的确切时隙是未知的。针对每个问题提出了算法，并证明了每个问题在低虚警范围内的精确最优性或渐近最优性。然后将所开发的算法用于交通数据中的异常检测和心电图（ECG）数据中的心律失常检测与识别。仿真数据也证明了算法的有效性。 MSC公司： 62磅 顺序统计方法 关键词：异常检测;心律失常检测与识别;联合变化检测与故障隔离;多时隙变化检测;鲁棒变化检测;交通数据 软件：物理工具包 PDF格式BibTeX公司 XML格式引用 \textit{Y.Oleyaeimotlagh}等人，《序贯分析》。42，编号4，404--437（2023；Zbl 07785271） 全文： 内政部 arXiv公司 参考文献： [1] Banerjee，T.和Veeravalli，V.V.，2015年。“传感器网络中的数据高效快速变化检测”，IEEE信号处理汇刊63（14）：3727-35·Zbl 1394.94067号 [2] Banerjee，T.、Whipps，G.、Gurram，P.和Tarokh，V..2018a。《使用多模态数据进行异常检测的循环平稳统计模型和算法》。第六届IEEE信号和信息处理全球会议，11月。 [3] Banerjee，T.、Whipps，G.、Gurram，P.和Tarokh，V..2018b。《在非平稳环境中使用多模态数据进行顺序事件检测》。第21届国际信息融合大会，7月。 [4] Banerjee，T.、Gurram，P.和Whipps，G.，2019a。“统计周期随机过程的序列检测理论”，2019年第57届Allerton通信、控制和计算年会（Allerton）。IEEE，第290-297页·Zbl 1473.62296号 [5] Banerjee，T.、Gurram，P.和Whipps，G.，第2019b页。“统计周期过程变化的贝叶斯快速检测”，2019年IEEE信息理论国际研讨会（ISIT）。IEEE，第2204-2208页。 [6] Banerjee，T.、Gurram，P.和Whipps，G..2019c。“周期统计行为偏差的快速检测”，ICASSP 2019-2019 IEEE声学、语音和信号处理国际会议（ICASSP）。，IEEE，5351-5。 [7] Banerjee，T.、Gurram，P.和Whipps，G.T.，2021年。“统计周期随机过程中变化检测的贝叶斯理论”，IEEE信息理论汇刊67（4）：2562-80·Zbl 1473.62296号 [8] Banerjee，T.、Allsop，S.、Tye，K.M.、Ba，D.和Tarokh，V.，2019年。《神经数据中状态变化的顺序检测》。第九届国际IEEE EMBS神经工程会议，3月。 [9] Bertsekas，D.2017年。动态规划与最优控制，第二卷。马萨诸塞州贝尔蒙特：雅典娜科学·Zbl 1375.90299号 [10] Can，Y.，Kumar，B.V.K.V.和Coimbra，M.T.，2012年。“利用ECG信号的形态学和动力学特征进行心跳分类”，IEEE生物医学工程学报59（10）：2930-41。 [11] Chen，Y.C.、Banerjee，T.、Domínguez-Garcia，a.D.和Veeravalli，V.V.，2016年。“最快速的线路中断检测和识别”，IEEE电力系统汇刊31（1）：749-58。 [12] de Chazal，Philip，O'Dwyer，Maria和Reilly，Richard B.，2004年。“使用ECG形态学和心跳间隔特征对心跳进行自动分类”，IEEE生物医学工程汇刊51（7）：1196-206。 [13] Gardner，W.A.、Napolitano，A.和Paura，L.，2006年。《循环平稳性：半个世纪的研究》，《信号处理》86（4）：639-97·Zbl 1163.94338号 [14] Goldberger，A.L.、Amaral，L.A.N.、Glass，L.、Hausdorff，J.M.、Ivanov，P.C.、Mark，R.G.、Mietus，J.E.、Moody，G.B.、Peng，C.K.和Stanley，H.E.，2000年。《PhysioBank、PhysioToolkit和PhysioNet:复杂生理信号新研究资源的组成部分》，《循环》101（23）：e215-e220。http://circ.ahajournals.org/content/101/23/e215.fullPMID:1085218； [15] Hannun，A.Y.、Rajpurkar，P.、Haghpanahi，M.、Tison，G.H.、Bourn，C.、Turakhia，M.P.和Ng，A.Y.2019年。《使用深度神经网络在动态心电图中检测和分类心律不齐》，《自然医学》25（1）：65-9。 [16] 赖，T.L.2000。“随机系统中的序贯多假设测试和有效故障检测隔离”，IEEE信息理论汇刊46:595-608·Zbl 0994.62078号 [17] Moody，G.B.和Mark，R.G.，“MIT-BIH心律失常数据库”，2005年。2021年1月1日访问。https://physinet.org/content/mitdb/1.0.0/, . [18] 穆迪，G.B.和马克，R.G.，2001年。“MIT-BIH心律失常数据库的影响”，IEEE医学与生物学工程杂志20（3）：45-50。 [19] 尼基福罗夫，I.V.2003。“一类连续测试中检测/隔离延迟的下限”，IEEE信息理论汇刊49（11）：3037-47·Zbl 1301.94035号 [20] Pergamenchtchikov，S.M.、Tartakovsky，A.G.和Spivak，V.S.，2022年。“一般随机模型的最小极大和逐点序列变化点检测与识别”，《多元分析杂志》190:104977·Zbl 1520.62101号 [21] Poor，H.V.和Hadjiliadis，O.，2009年。最快检测。剑桥：剑桥大学出版社·Zbl 1271.62015年 [22] Shiryayev，A.N.1978年。最佳停止规则。纽约：Springer-Verlag·Zbl 0391.60002号 [23] 塔加拉斯，G.1998。“自适应控制图设计的最新发展综述”，《质量技术期刊》30（3）：212-31。 [24] 塔塔科夫斯基，A.2019。序列变化检测和假设检验：一般非独立随机模型和渐近最优规则。佛罗里达州博卡拉顿：查普曼和霍尔/CRC·Zbl 1430.62004号 [25] Tartakovsky，A.G.、Nikiforov，I.V.和Basseville，M.，2014年。序列分析：假设检验和变点检测。佛罗里达州博卡拉顿：CRC出版社·Zbl 1341.62026号 [26] Unnikrishnan，J.、Veeravalli，V.V.和Meyn，S.P.，2011年。“Minimax Robust Quickest Change Detection”，《IEEE信息理论汇刊》57（3）：1604-14·Zbl 1366.94154号 [27] Veeravalli，V.V.和Banerjee，T.，2014年。“最快的变化检测”，载于《信号处理学院出版社图书馆》，209-255。阵列和统计信号处理第3卷。荷兰阿姆斯特丹：爱思唯尔。 [28] Vishnoi，S.C.、Nugroho，S.A.、Taha，A.F.、Claudel，C.和Banerjee，T.，2020年。《有界干扰下基于非对称小区传输模型的匝道连接鲁棒交通密度估计》，2020年美国控制会议（ACC）。IEEE，第1197-1202页。 [29] Zhang，Y.、Malem Shinitski，N.、Allsop，S.A.、Tye，K.和Ba，D.，2018年。“从二元观测中估计分离马尔科夫随机场（Smurf）”，《神经计算》30（4）：1046-79·Zbl 1472.92049 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。