我在各个渠道给出了时间序列。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 并不是真正的降维方法，而是一种“去噪”方法。即，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，但不是真正的作为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？
我建议你阅读kaggle 上的这篇文章作为入门。
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础振荡模式。从这个意义上说，它与经验模式分解 (EMD) 具有广泛的可比性，尽管后者强调的是振荡而不是周期性。已发现 SSA在某些应用中优于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“用于高级降维的奇异谱分析”（SSA-FARI）的技术。