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.     

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．     

混沌时间序列相空间重构参数的选取方法

对混沌时间序列相空间重构中最佳延迟时间间隔和嵌入维数的选取方法作了综述,提出了同时考虑这2个参数选取的重构展开－虚假邻点法以及预测误差最小法,并以Lorenz系统为例作了验证。     

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     

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．     

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．     

基于多变量相空间重构的地下水动态神经网络预测模型

从多元变量时间序列出发,以相空间重构理论为基础,结合偏最小二乘回归与神经网络方法,提出了基于多变量相空间重构地下水动态预测的神经网络模型.通过分别确定各个时间序列的时间延迟和嵌入维数的方法对地下水动态的多变量时间序列进行相空间重构,采用偏最小二乘回归法提取对系统解释最强的成分作为网络输入,利用神经网络模型进行各成分之间的非线性拟合.将基于多变量相空间重构地下水动态预测的神经网络模型应用于黑龙洞泉域地下水位预测,并通过分析与比较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     

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.     

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。     

基于伪相图的大机组非线性故障诊断技术

论述了通过延时嵌入相空间重构方法获取伪相图技术 ,将该技术用于大机组非线性故障的定性特征提取 ,并选取了故障实例进行分析 .采用基于奇异值分解的相空间重构方法 ,解决了把吸引子投影到哪些基构成的平面上方能充分反映原系统特性的问题 .研究结果表明 :伪相图在一定程度上与转子的轴心轨迹类似 ;同时 ,由于伪相图可通过一维时间序列得到 ,而且伪相图的构造过程包含了降噪过程 ,因此 ,将伪相图用于大型旋转机械故障诊断中具有一定的优越性     

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.     

脑电时间序列的非线性重构

脑电信号的非线性特征量的提取以其非线性重构为基础,对脑电信号的进行非线性重构的关键是正确选择重构参数时间延迟和嵌入维数．确定重构参数的方法很多,并各有其优缺点．C—C方法是一种可以同时确定最佳时间延迟和最佳嵌入维数的新方法,以Lorenz模型数据和脑电时间序列为计算对象,对这种方法进行了验证与比较．     

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。