An application of MCMC methods for the multiple change-points problem

Lavielle, Marc; Lebarbier, Émilie

doi:10.1016/s0165-1684(00)00189-4

Cited by 106 publications

(81 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Com essa finalidade, existem vários métodos envolvendo Algoritmos Sequenciais, Decomposição Wavelet, Monte Carlo, Abordagem Bayesiana, Teste de Taxa de Probabilidade Sequencial, Cartas de Controle CUSUM, Redes Neurais, Cadeia de Markov e outros (Burrell & Papantoni, 2000;Castanie & Denjean, 1992;Ramirez-Beltran & Montes, 1997;Lavielle & Lebarbier, 2001;Malladi & Speyer, 1999;Morgenstern et al, 1988;Ye, 2000;Macdougall et al, 1998;Karathanassi et al, 1996;Percival & Walden, 2000).…”

Section: Detecção De Mudanças Em Séries Temporais Não Linearesunclassified

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Amorim

Balestrassi

Paiva

et al. 2015

Prod.

View full text Add to dashboard Cite

ResumoO propósito deste artigo é apresentar um método de detecção de mudança de nível na dinâmica de séries temporais não lineares que consiste no uso de um gráfico de Controle Multivariado T 2 de Hotelling monitorando a variação de três descritores normalizados: os Descritores de Hjorth de atividade, mobilidade e complexidade. Esta abordagem foi aplicada em diferentes séries temporais não lineares criadas artificialmente e é ilustrada neste artigo por um exemplo detalhado. Também foi feito um estudo de caso com seis séries reais do consumo de energia elétrica no meio industrial, confirmando a eficácia do método. Palavras-chaveSéries temporais não lineares. Descritores de Hjorth. Gráficos de Controle Multivariado T 2 de Hotelling. Mudança de nível. IntroduçãoEste artigo propõe um método para detectar mudanças dinâmicas em séries temporais não lineares tais como carga elétrica, sinais de eletroencefalograma (EEG), econometria, consumo de água, sinais de usinagem e soldagem, abalos sísmicos etc. Uma série temporal representa uma classe de fenômenos cujo processo observacional, e consequente quantificação numérica, gera uma sequência de dados distribuídos no tempo (Souza, 1981). Quando a equação característica ou o modelo de regressão de uma série temporal pode ser escrito em função de parâmetros lineares (mesmo após transformação), essa série é dita linear. Caso não existam transformações que linearizem os parâmetros, essa série é denominada não linear e, para esse tipo de série, os métodos de controle e monitoramento tradicionais são normalmente complexos.Uma série temporal que possua a média e a variância constantes ao longo do tempo é dita estacionária ou convergente, caso contrário é denominada não estacionária ou divergente. A detecção dinâmica de mudanças em séries temporais não lineares, sendo elas estacionárias ou não, é crucial para o controle em tempo real de sistemas que estão sendo monitorados e está diretamente relacionada à identificação de causas especiais de variação, que são normalmente indicações de problemas. As causas especiais de variação ocorrem devido a uma situação particular (não aleatória) que faz com que o processo se comporte de um modo diferente do usual e devem ser, de modo geral, localizadas e eliminadas. Além disso, certas medidas devem ser tomadas para evitar a sua reincidência.A metodologia proposta é baseada na combinação de Gráficos de Controle Multivariado T 2 de Hotelling e Descritores de Hjorth. A detecção dinâmica dos pontos de mudança é realizada a partir da aplicação de um gráfico de controle multivariado nos Descritores de Hjorth normalizados de atividade, mobilidade e complexidade, a fim de monitorar possíveis variações na série temporal. Esse estudo foi aplicado em diferentes tipos de séries temporais não lineares criadas artificialmente e, além disso, foi feito um estudo de caso em seis séries temporais reais do consumo de energia elétrica por indústrias brasileiras.Este artigo está dividido em cinco seções, a iniciar pela introdução ao tema. A seção 2 descreve

show abstract

Section: Detecção De Mudanças Em Séries Temporais Não Linearesunclassified

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Amorim

Balestrassi

Paiva

et al. 2015

Prod.

View full text Add to dashboard Cite

show abstract

“…Furthermore, the SNR varies with time. Then we suppose s k as normally distributed random variables with mean μ and variance V/n k [14]. The value of μ is given by the acquisition module, and the value of V is fixed by the user.…”

Section: Contrast Functionmentioning

confidence: 99%

Bayesian Change-Points Estimation Applied to GPS Signal Tracking

Stienne

Reboul

Azmani

et al. 2011

ISRN Signal Processing

View full text Add to dashboard Cite

A hierarchical Bayesian model is applied to off-line segmentation of the GPS signal discriminator. The purpose of this work is to estimate the code delay of the receiving GPS CDMA code in order to retime the local receiver code and to estimate the pseudorange satellite receiver. The goal of our approach is to obtain a high-rate accurate positioning in the dynamic navigation case. We show that the behaviour of the coherent discriminator of a GPS pilot channel can be modelized by a piecewise stationary process. In our approach the discriminator behaviour in each stationary segment is approximated by a constant acceleration model, and the code delay at each end of the segments is known. The interest of this approach is that we use the coherent values of the discriminator in each segment to estimate the change instants of the process and to get in this case an accurate estimation of the code delays. In this context, a simultaneous estimation of the change instants is considered. We define the a posteriori distribution which integrates in its expression the signal change instants and the parameters of its statistical model. The proposed model leads after marginalization to a penalized contrast function that we minimize to estimate the discriminator change instants. The interest of the proposed model is that we can integrate in our estimate prior information on the roughly known values of the signal-to-noise ratio and relative speed satellite receiver. The potential of the proposed method is shown on experimentations realized on synthetic and real data for millisecond receiver localization.

show abstract

“…Univariate algorithms for estimating the transition times for sensory data with piecewise constant changes in the variance are broadly separated into two categories: namely i) algorithms based on statistical significance tests [2] and ii) Bayesian methods, that is, identifying a posterior distribution and obtaining the corresponding maximum a posteriori (MAP) estimates of the change point locations and other parameters of interest [3] [4]. These techniques have found a wide range of applications in the segmentation of time series data, however, a need had arisen for the development of multi-sensor extensions of such algorithms for more accurate segmentation.…”

Section: Introductionmentioning

confidence: 99%

Detecting changes in the variance of multi-sensory accelerometer data using MCMC

et al. 2017

View full text Add to dashboard Cite

Abstract-An important field in exploratory sensory data analysis is the segmentation of time-series data to identify activities of interest. In this work, we analyse the performance of univariate and multi-sensor Bayesian change detection algorithms in segmenting accelerometer data. In particular, we provide theoretical analysis and also performance evaluation on synthetic data and real-world data. The results illustrate the advantages of using multi-sensory variance change detection in the segmentation of dynamic data (e.g. accelerometer data).

show abstract

An application of MCMC methods for the multiple change-points problem

Cited by 106 publications

References 16 publications

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Detecção de mudança de nível em séries temporais não lineares usando Descritores de Hjorth

Bayesian Change-Points Estimation Applied to GPS Signal Tracking

Detecting changes in the variance of multi-sensory accelerometer data using MCMC

Contact Info

Product

Resources

About