使用（多变量）奇异谱分析降维答案

【问题标题】：Dimensionality reduction using (multivariat) Singular Spectrum Analysis使用（多变量）奇异谱分析降维
【发布时间】：2018-06-07 08:02:19
【问题描述】：

我已经给出了不同渠道的时间序列。在时间序列中有两个主要的振荡“隐藏”并分布在所有通道上。我想使用多元奇异谱 (mSSA) 分析来提取这些振荡。

我是 SSA 的新手，在我看来，SSA 并不是一种真正的降维方法，而是一种“去噪”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，但不是真正的主要振荡的单个信号（PCA 会提供）？

另一方面，特征向量（尽管由于汉克尔化而及时缩小）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？

【问题讨论】：

标签： time-series pca dimensionality-reduction ssa

【解决方案1】：

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。单个时间序列分为三种类型的信号：趋势、周期和噪声。这允许，例如检查构成原始信号的基本振荡模式。从这个意义上说，它与经验模态分解 (EMD) 大致相当，尽管后者强调振荡而不是 周期性。已发现 SSA 是 superior in certain applications 到 EMD。

【讨论】：

非常感谢。非常有趣的文章！但是，还不是我所需要的

【解决方案2】：

我发现一篇文章正好解决了我所面临的问题： https://arxiv.org/pdf/1812.09057.pdf

它引入了一种称为“用于高级降维的奇异谱分析”(SSA-FARI) 的技术。

【讨论】：