师兄们论文汇总

时域分析方法，提出一种新的置信度分析方法弥补了该算法在置信度上的缺失

（基于统计学方法）

非参数方法

非参数类方法缺点：1：非参数法是通过比较信号的方差来计算信号离散度的总和，但对信号时间散度的判断缺乏统一标准。2：在求信号散度最小化的过程中，非参数类算法对误差和噪声更加敏感，这导致计算过程中容易出现较大误差。3：箱结构的不同对旁瓣效应会产生不同程度的影响，区分和抑制存在的多周期信号以及次谐波效应技术有待进一步改进；4：对非参数类算法得到的特征频率的认证存在不同的判断标准，其置信度的判断标准有待提高。

状态弥散最小化（PDM）

将非均匀时间序列均匀化

卢俊超还做了改进

（基于傅里叶变换方法）

卢俊超：建议：但是在对天体光变的局部分析以及未来流量爆发时间的预测方面存在不足。如：经验模态分解（EMD）匹配追踪算法Matching Pursuit Algorithm (MP)等，能够结合信号自身的特性从时域-频域角度进行分析研究，反映信号在不同时刻的频率（周期）特征。但是这些主要还是应用于均匀时间序列。需要考虑其因素用到非均匀时间序列中。：EMD的提出和相关的原理都是基于经验的，所以该方法的理论基础还都还有待进一步完善。详细见卢俊超论文。EMD算法分解图，

传统的DFT、FFT变换

介绍了拟合模型参数估计的常用方法

小波变换WWZ

参数类方法

Lomb-Scargle周期图法

．介绍了时间序列及其相关的基本概念，分析了随机时间序列的特性

功能分类：：：：1）CLEANest算法对于提取多周期效果很好。2）ZDCF 算法提取多周期信号成分能力不足，很难判断出所有可能存在的真实周期。在处理多周期非均匀时间序列时，由于多周期信号成分之间的相互影响，使得ZDCF 曲线图变得复杂混乱，弱周期成分被覆盖，虚假相关系数峰频现，导致错误周期成分的判断。

韩旭做的详细

对目前模型参数估计方法存在的不足作了一定的探讨

结构函数法

参数类方法缺点：1：参数类算法在对大间距信号进行分析时，易产生谐波干扰、频率混叠等现象。2：易受间歇性事件及其它非周期性事件影响。3：参数类算法在估计信号频谱密度时，易受到非等间距抽样的影响。4：在对信号进行时频分析时，参数类算法在置信度分析上缺乏统一标准。5：具有计算速度快，实现简单的优点。6：无需建立任何参数模型，这类算法是将一系列信号数据按假设的周期进行折叠，然后进行分组，计算出均方差，通过数据之间的相关性，从而判断出信号中存在的特征频率，该类算法具有计算速度快，实现简单的优点

原出原始时间序列中的真实周期成分，CLEANest算法是于时间补偿离散傅里叶变换。小波变换是将信号从映射到二维上，即傅里叶只是将信号映射到频域上，小波是时频域分析方法。小波变换也是均匀上的。

首次将交叉小波变换算法和匹配追踪（MP）算法运用的非均匀时间序列周期估计中

对多周期跟容易混叠

谢：1：与传统的相关分析方法相比，ZDCF 算法不需要对非均匀时间序列数据进行插值，避免了新误差的加入，有效提高了计算结果的可靠性。2：ZDCF 算法提取多周期信号成分能力不足。

CLEANest算法

韩旭：非参数类算法基于基础的统计学原理，通过数据分段、装箱等技术的处理，根据时间序列间的最大相关性找出置信周期，此类算法消除了参数类算法建模中所带来的误差，具有计算速度快，实现简单的优点，最具有代表性的是PDM算法。

Jurkevich算法

离散相关函数（ZDCF）

非均匀离散时间序列算法概述

谢明杰