多维时间序列在相空间重构中的应用

介绍了多为量时间序列重构相空间技术，并以上证指数的预测为算例，具体阐述了它对原有相空间重构技术的改进，研究结果表明多变量重构相空间技术的预测效果相对于单变量重构有很大提高，文章的最后指出了在这一方法在经济预测中的应用价值和前景。     

非线性时间序列的相空间重构参数估计的新算法

针对混沌理论中非线性时间序列相空间重构的理论和方法,提出一种估计嵌入维数和延迟时间的新算法,采用矢量空间平均位移法确定延迟时间;基于混沌吸引子上邻近点之间距离随着时间增加最终趋于饱和的特性,估算非线性时间序列相空间重构的嵌入维数. 实例表明,该算法可以有效估计非线性时间序列的相空间重构参数.     

时延法相空间重构双参数联合估计方法研究

重构相空间对于研究混沌时间序列有着重要的理论与现实意义,目前采用的分别估计嵌入时延和最小嵌入维数的技术路线,割裂了这两个参数所具有的天然联系.为此提出时延法重构相空间的双重构参数联合估计方法,根据两个重构参数的取值标准,利用迭代的方法,同步估计出时延法重构相空间双参数.应用所提出的方法,分别对高斯白噪声和Lorenz系统两个时间序列进行了数值验证,分析表明计算结果是可信的,可以应用于时间序列的相空间重构.     

一个经济时间序列的混沌特性研究

为了找出经济波动的内在动态特征,采用非线性的分析方法探讨了某市用电量波动中存在混沌动态特性的可能性.以实测经济时间序列为研究对象,以某市近年来的实际用电量数据为基础,利用相空间重构技术、幅值谱分析、庞加莱截面等方法分析其内在特性,并计算其关联分维,得出其饱和嵌入维数为7,关联分维约为0.834,初步判定该市用电量是混沌的.从理论上证明了该市用电负荷具有严格混沌动态特性,从而为今后的深入预测研究提供了混沌理论基础.     

基于改进RBF神经网络的混沌时间序列预测

基于RBF神经网络与相空间重构理论,对网络预测模型进行改进,并以Lorenz动力系统产生的混沌时间序列作为研究对象,建立预测模型并对其进行数值仿真.实验结果表明,基于改进RBF神经网络与相空间重构理论的混沌时间序列预测方法比BP、RBF神经网络模型的预测精度高、误差小、性能优越,改进方法可行、有效.     

多变量时间序列复杂系统的相空间重构

根据单变量时间序列相空间重构思想 ,提出了多变量时间序列描述的复杂系统的相空间延迟重构方法 .对每一分量的时间序列 ,分别利用互信息最小法确定最佳延迟时间间隔 ,最小嵌入维数的选取方法是单变量时间序列情况下虚假邻点法的推广 .给出了q阶广义关联积分和q阶广义关联维数的计算公式 ,并证明了广义关联维数与所用范数无关 .计算了Lorenz系统按前 2个变量进行重构时的最佳延迟时间间隔和最小嵌入维数 .计算结果表明 ,用多变量时间序列重构比用单变量时间序列重构所需的数据长度要短得多且在方法上更有效     

相空间重构中参数确定方法的新探讨

论述相空间重构中参数选择的方法并对其讨论,针对已有参数确定方法的主观性强的特点,从一个更新角度考虑相空间重构中的冗余和不相关问题,结合虚假邻点法及平均位移法的思想,提出延迟向量排序计算重构相空间的最佳嵌入维数,以及基于相邻向量内积计算最佳延迟时间间隔.仿真结果证明该方法不仅是有效的,同时也具有易编程的特点.     

多变量时间充列复杂系统的相空间重构

根据单变量时间序列相空间重构思想，提出了多变量时间序列描述的复杂系统的相空间延迟重构方法，对每一分量的时间序列，分别利用互信息最小法确定最佳延迟时间间隔，最小嵌入维数的选取方法是单变量时间序列情况下虚假邻点法的推广，给出了q阶广义关联积分和q阶广义关联维数的计算公式，并证明了广义并联维数与所用范数无关，计算了Lorenz系统按前2个变量进行重构时的最佳延迟时间间隔和最小嵌入维数，计算结果表明，用多变量时间序列重构比用单变量时间序列重构所需的数据长度要短得多且在方法上更有效。     

自组织临界性的相空间重构

作者通过采用相空间重构法对具有自组织临界性的BTW沙堆模型进行了分析,根据仿真得到的沙崩关联长度这个一维时间序列,用时延技术进行吸引子重构,得到了重构相空间的嵌入维数和关联维数,说明关联维数越低,系统的层次越高,趋势越明显．用相空间重构法可以用来分析其他具有自组织临界性的系统,在进行短期预测上有一定的意义．     

混沌时间序列的局域线性回归预测方法

混沌时间序列预测是８０年代末发展起来的一种非线性预测新方法．它已在天气预报、经济预测、电力负荷预测、股市预测等方面得到成功应用．混沌运动是确定系统具有内在随机性的一种运动,它的行为极其敏感地依赖于初始条件．混沌系统从两个极其邻近的初始点出发的两条轨道...     

空中目标信号相空间重构方法研究

为提取空中目标辐射噪声非线性和混沌特征,需要对目标信号作非线性时间序列分析,其第一步则是相空间的重构,基于Takens定理进行相空间重构前必须先确定重构相空间的时滞和嵌入维数两个重要参数。分别采用互信息方法确定重构最佳时延和关联积分法确定重构嵌入维数。分别以经典混沌信号和实测目标噪声数据为研究对象进行计算仿真,结果证明了该方法选择地参数进行相空间重构的有效性与准确性,重构的相空间能很好反应原混沌系统的特性,为下一步分析提取目标非线性特征奠定了良好的基础。     

相空间重构中嵌入维和时间延迟的选择

提出了一种用于相空间重构的嵌入维和时间延迟自动算法，它利用混沌时间序列的去偏复自相关函数的零点来确定时间延迟，有效地降低了平均位移法跟踪平均位移量斜率变化的随意性所造成的计算误差，并借助于复自相关法和Г-test的迭代计算求得准最佳的嵌入维和时间延迟参数．该算法具有较充分的理论依据，其计算复杂度不大，对数据长度的依赖性不强．仿真实验结果表明，用该算法计算标准混沌时间序列关联维的相对误差由传统算法的4．4％降低到1．06％，有效地提高了计算相空间重构中不变量的精度．     

基于联合熵的多变量混沌时间序列相空间重构

提出了一种多变量混沌时间序列的联合熵扩维法(JEED),为多变量时间序列的预测构造了有效的模型输入向量.首先使用互信息法求混沌系统各观测变量的延迟时间;然后使用联合熵确定各分量的嵌入维数,并按最大熵选择重构分量,不断扩张相空间维数,最终使得重构向量空间包含系统的最大信息量.仿真实验表明因为JEED确定的相空间能提供丰富的信息,在其上进行的神经网络预测取得了比单变量预测方法更好的预测效果.     

相空间重构延迟时间与嵌入维数的选择

论述相空间重构中延迟时间与嵌入维数之间的关系，提出广义嵌入窗长的概念．分析已有的自关联函数法中的不足，提出一种改进的自关联函数法确定广义嵌入窗长，从而确定出相空间重构的其它参数．同时从时间序列相关程度和不相关程度2个方面进行考虑，克服了自关联函数法的缺点．仿真实验结果验证了该方法的有效性．     

交通流的混沌特性分析及其预测

实时准确的短时交通流预测是智能交通系统中实现交通控制和诱导的关键技术之一.首先,采用饱和关联维数法和互信息量法对交通流时间序列的嵌入维数和延迟时间进行计算,并根据计算结果对交通流时间序列进行相空间重构;然后,采用wolf方法计算其最大Lyapunov指数,并对其进行功率谱分析,结果表明,交通流时间序列具有噪声;最后,分别采用基于BP神经网络和RBF神经网络的预测模型对交通流时间序列进行预测,结果表明,2种模型对短时交通流均能较好预测,但后者的预测精度较高,预测速度较快.嵌入维数;延迟时间;相空间重构;BP神经网络;RBF神经网络     

非线性动力系统的重构与信息提取

本文就如何从时间序列中提取动力学信息，讨论了状态空间重构方法。指出了在重构参数时优化选取中存在的问题。     

一种基于多维混沌时间序列的相空间重组技术(英文)

对给定的标量时间序列,利用Takens嵌入定理展开时间序列到高维并重构未知系统的吸引子,是从时间序列寻找决定性混沌证据的常用方法.在传统的一维时间序列重构技术基础上,提出一种更有效的多维时间序列相空间重构技术.对一些已知混沌系统如洛伦兹系统、陈系统、罗莎系统、罗宾系统和罗莎超混沌系统进行了重构.结果表明,与传统的重构技术相比,多维重构技术计算出的最大李雅普洛夫指数更精确,对于非混沌系统和附加噪音的混沌系统,多维重构技术也表现出一定的优势.