The problem of online change point detection is to detect abrupt changes in
properties of time series, ideally as soon as possible after those changes
occur. Existing work on online change point detection either
离线变点检测通过识别时间序列中数据生成过程发生变化的点。我们针对至多一个变点的问题,提出使用概念矩阵来学习时间序列中指定训练窗口的特征动态。相关的随机循环神经网络作为数据的特征提取器,并通过特征化和代表性概念矩阵张成的空间之间的单变量距离来识别变点。这种模型无关的方法可以指引进一步研究的潜在兴趣点。我们证明,在温和的假设下,该方法提供了真实变点的一致估计,并通过原始数据的移动块自助法产生统计量的分位数估计。我们使用多类模拟数据对该方法进行测试,并通过聚类度量,图形方法和观察到的 Type 1 错误控制进行性能评估。我们将该方法应用于公开可用的大鼠神经数据,这些数据来自在探索放射迷宫之前经历非 REM 睡眠的阶段。