使用（多变量）奇异谱分析进行降维
Dimensionality reduction using (multivariat) Singular Spectrum Analysis
我已经在各个渠道给出了时间序列。时间序列中有两个主要振荡 "hidden"，分布在所有通道上。我想使用多元奇异谱 (mSSA) 分析提取这些振荡。
我是 SSA 的新手，在我看来 SSA 并不是真正的降维方法，而是一种 "denoising" 方法。 IE。我真的不能真正提取主要振荡，因为在分组、反投影和对角线平均之后，我在所有通道中都得到了信号，但不是真正的单一信号，这是主要振荡（如 PCA 将提供的那样）？
另一方面，特征向量（虽然由于汉克尔化而及时收缩）似乎正是我正在寻找的振荡。我可以通过简单地将特征向量视为主要振荡来使用 SSA 进行降维吗？
我建议您阅读 this post on kaggle 作为入门读物。
据我了解，SSA 有效地寻求在函数的自相关中找到周期性。单个时间序列被分解为三种类型的信号：趋势、周期和噪声。这允许，例如检查构成原始信号的潜在振荡模式。从这个意义上说，它与经验模态分解 (EMD) 具有广泛的可比性，尽管后者强调 振荡 而不是 周期性 。已发现 SSA superior in certain applications 到 EMD。
我发现一篇文章正好解决了我面临的问题：
https://arxiv.org/pdf/1812.09057.pdf
它引入了一种称为 "Singular Spectrum Analysis for advanced reduction of dimensionality" (SSA-FARI) 的技术。
我已经在各个渠道给出了时间序列。时间序列中有两个主要振荡 "hidden"，分布在所有通道上。我想使用多元奇异谱 (mSSA) 分析提取这些振荡。
我是 SSA 的新手，在我看来 SSA 并不是真正的降维方法，而是一种 "denoising" 方法。 IE。我真的不能真正提取主要振荡，因为在分组、反投影和对角线平均之后，我在所有通道中都得到了信号，但不是真正的单一信号，这是主要振荡（如 PCA 将提供的那样）？
另一方面，特征向量（虽然由于汉克尔化而及时收缩）似乎正是我正在寻找的振荡。我可以通过简单地将特征向量视为主要振荡来使用 SSA 进行降维吗？
我建议您阅读 this post on kaggle 作为入门读物。
据我了解，SSA 有效地寻求在函数的自相关中找到周期性。单个时间序列被分解为三种类型的信号：趋势、周期和噪声。这允许，例如检查构成原始信号的潜在振荡模式。从这个意义上说，它与经验模态分解 (EMD) 具有广泛的可比性，尽管后者强调 振荡 而不是 周期性 。已发现 SSA superior in certain applications 到 EMD。
我发现一篇文章正好解决了我面临的问题： https://arxiv.org/pdf/1812.09057.pdf
它引入了一种称为 "Singular Spectrum Analysis for advanced reduction of dimensionality" (SSA-FARI) 的技术。