Change Point Detection by Basis Pursuit

The contribution deals with use of overcomplete models and sparse parameter estimation for change point detection in one–dimensional stochastic processes. These processes are estimated by ’Heaviside’ functions. The BASIS PURSUIT algorithm is used to get sparse parameter estimation. The mentioned method of change point detection in stochastic processes is compared with standard methods by simulations. Abstrakt: Příspěvek se zabývá možným využitím přeparametrizovaných modelů a hledání řídkých řešení pro detekci změn v jednorozměrných stochastických procesech. Tyto procesy jsou odhadovány pomocí „Heavisideÿ funkcí. Pro hledání řídkých řešení je použit algoritmus BASIS PURSUIT. Uvedená metoda detekce změn v stochastických procesech je porovnána se standardními metodami odhadu těchto změn pomocí simulací.