符号化时间序列分析

对于符号化时间分析方法,给出了已知的国外应用状况和文献出处.对如何将时间序列转化为符号序列,即信号符号化问题,通过最简单的二进制划分及其配套图形作了简要说明.给出了二进制划分下符号树结构及其Shannon熵计算方法,讨论了时延τ、符号集大小Ns和树层数(符号序列长度)对Shannon熵等统计量的影响.叙述了符号序列编码方法和符号序列直方图的作用;提交了进行符号时间序列分析的计算机流程图.图5,参23.     

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.     

混沌时间序列拟随机性的一种解释

为"混沌时间序列具有拟随机性"的论点给出了时间序列方面的案例解释.采用自功率谱密度函数、符号序列直方图及其Shannon熵、重构相空间维数(符号序列长度)等几个时间序列特征,比较随机数据与混沌数据的差异.结果表明,对于自功率谱密度函数和符号序列直方图及其Shannon熵,随机数据与混沌数据之间特征相近.对于重构相空间维数(符号序列长度),随机数据与混沌数据之间特征有差异.故此,论证了混沌时间序列具有拟随机性的性质.     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

基于分形和支持向量机的装备技术状态预测模型

基于分形和支持向量机回归理论,建立了装备技术状态预测模型.将反映装备运行状态的特征数据作为时间序列,首先进行相空间重构,得到时间序列的最小嵌入维数,以此作为支持向量机输入节点数.利用支持向量机对样本训练,建立预测模型.以装备振动信号预测为实例,表明将时间序列最小嵌入维数作为支持向量机输入节点数目,所建立的模型是最优的.支持向量机预测结果和真实值相比误差较小,可以满足装备技术状态分析和预测的要求.     

相关近似熵及在传感网数据故障检测中的应用

针对模糊近似熵方法在生成时间序列数据特征过程中出现的依赖参数较多和计算复杂度较高的问题,提出了相关近似熵方法,并应用在传感网数据故障检测中.相关近似熵方法采用相关信息熵来计算向量空间中多维数据之间的相关度,通过计算向量空间在其维数由M维增加到M+1维时多维数据之间保持相关性的概率来判定一个时间序列的复杂程度.相对于模糊近似熵,相关近似熵方法将依赖参数从4个减少到了2个,并减小了计算复杂度.实验结果表明:相关近似熵生成的特征在大多数情况下显著优于模糊近似熵生成的特征,并且相关近似熵方法大幅度地缩短了传感器数据特征的生成时间.     

微熵率算法分析及实证研究

利用微熵率法进行相空间重构,并以Henon map混沌特性的理论结果为依据,分别选取两组初值以验证Henon序列混沌特征的稳定性,实证研究微熵率算法的各个环节.实验结果表明:利用微熵率法重构相空间能够有效地捕捉混沌序列的特性.     

基于BP神经网络的混沌时间序列预测方法及应用研究

神经网络在时间序列的预测中得到广泛的应用,但神经网络模型的输入层神经元个数的选取仍然没有一个明确的解析式来表达.为解决这个问题,在非线性动力系统中,根据混沌理论重构相空间,通过最大Lyapunov指数判定时间序列是否存在混沌现象,存在则通过G-P算法计算出混沌吸引子的关联维数,进而获得相空间的嵌入维数作为神经网络的神经元个数.通过上述方法对铝现有价格进行建模,验证该方法对时间序列的短期预测有较好的精度,在此基础上,对未来一段时间铝价格进行预测.     

人体步态复杂度的递归图和递归定量分析研究

为了准确分辨并识别不同人体的步态特征,提出采用递归图和递归定量分析的方法,计算人体步态非线性时间序列的复杂度。首先利用互信息和伪邻近法分别计算得到合适的延时时间和嵌入维数,根据相空间重构的原理将一维时间序列扩展到高维相空间中,获得时间序列在高维空间中邻近点的分布规律和运动特点。构建了患有帕金森疾病的老年人、健康老年人和健康年轻人的步态信号递归图,可以直观定性分析和评估这3组人群的步态信号的空间分布程度,其中健康人群最复杂。采用递归定量分析,量化了人体步态的复杂度,结果表明,患有帕金森疾病的人群的步态复杂度最小,而且独立样本t检验显示了3组人群的复杂度具有显著的差异性。该方法简单可行,可以准确地对不同年龄和帕金森疾病的人群进行分类识别,有利于人体健康监测和诊断研究。     

基于K2熵的气固流化床中空隙率时间序列分析

采用PV4A型颗粒测速仪测定了Ф90×1000mm有机玻璃流化床中不同操作条件的空隙率时间序列,通过以相空间重构理论为基础的混沌分析方法来研究分析气固流化床中空隙率时间序列的-Kolmogorov熵及其分布特征,为气固流化床的工程控制和放大提供依据.     

船舶电力推进系统电力负荷混沌特性分析及预测

为实现船舶电力推进系统功耗的最优控制,提高船舶运行的经济性,建立了基于正则化的电力负荷混沌局域预测模型.运用相空间重构理论对船舶电力推进系统电力负荷进行单变量时间序列相空间重构,计算吸引子的Lyapunov指数,验证船舶电力推进系统电力负荷具有混沌特性,进而构建更为精准的由船舶电力负荷及其影响因素构成的多变量时间序列相空间.实验结果表明,该预测模型是有效的,且具有较高的预测精度.     

地面装甲目标声信号的混沌特征提取

针对地面装甲目标辐射的噪声信号的非线性特性,为使智能地雷能够有效地识别目标,利用非线性动力学理论中的混沌原理对目标声信号进行特征提取。通过野外场地实验,采集到2种装甲目标在不同运行速度下的40组样本信号,采用改进C-C法求得信号时间序列的相空间重构参数——时延和嵌入维,再利用Wolf法得到了2种目标声信号的混沌特征量——最大Lyapunov指数。结果显示：同一目标声信号的最大Lyapunov指数相近,且与运动状态相关性不大;不同目标间声信号的最大Lyapunov指数相差较大,辨识度较高。结论证明,最大Lyapunov指数可以作为地面装甲目标识别的有效特征参量。     

基于相空间重构的Internet业务流量非线性动力学分析

基于相空间重构的概念,即通过测量函数获得的L维时间序列来研究动力系统的动力学行为的方法,研究了TCP-Reno在RED和DropTail机制下的拥塞窗口变化特性,以及TCP和UDP共享链路时的流量特性.利用相空间重构将单一标量时间序列重构为高维相空间,从而进一步研究了高维相空间的混沌等特性.分析结果表明:在一定的实验条件下,拥塞窗口变化值的关联维数为分数,最大Lyapunov指数为正,高维相空间具有混沌特性且其Hurst参数接近于1,此时的空间同时具有严格的二阶自相似性;流量值的关联维数为分数,最大Lyapunov指数为正,该空间亦具有混沌特性.     

基于三阶累积量的自适应多变量相空间重构

利用三阶累积量反映多变量序列的高阶非线性相关性,建立了一种具有良好抗噪性的多变量相空间重构方法.将三阶累积量引入到序列局部本征维数(LID)的计算中,对不同相空间点构造新的三阶累积量相关矩阵;同时建立累积量切片评价函数,通过比较得到了对噪声及嵌入维数等重构参数变化鲁棒性强的累积量切片,然后确定序列的嵌入维数、嵌入延迟,重构多元变量相空间.仿真结果表明,建立的新方法对带噪声混沌序列具有较好的鲁棒性,多元变量奇异吸引子轨迹在重构相空间中得到了良好扩展.
     

冲击故障特征提取的非线性流形学习方法

为了提取机械设备故障引发的冲击成分,提出了一种基于非线性流形学习的冲击故障特征自适应提取方法.该方法将反映故障的振动信号重构到高维相空间中,利用局部切空间排列的流形学习方法提取出隐藏其中的低维流形,并基于峭度和偏斜度指标的特点,提出了冲击波形量化的取值策略,实现了高维相空间中局部邻域参数的自适应选取,从而提取出最优的冲击故障特征.通过仿真数据的对比分析和工程应用,表明该方法能够较好地提取出冲击成分信号,与小波软阈值方法相比,提取出的冲击特征成分更完整,周期性更好.     

基于相空间重构的神经网络短期风速预测

针对风速具有较强的混沌特性,预测难度较大,提出了一种基于相空间重构的神经网络短期风速预测方法:对数据进行小波降噪,运用互信息法和虚假最近邻点法确定最佳的延迟时间和嵌入维数,对样本空间进行重构,使新的样本能够表征原始时间序列动态特性,更能反映风速变化特性。在此基础上运用BP神经网络进行短期风速预测。实验结果表明短期风速预测精度得到提高。     

大坝裂缝转异点的相平面识别法

对于带缝运行的混凝土坝，裂缝的稳定性直接关系其安全性能，裂缝的时效变形反映了裂缝的稳定性和转异特征，可由时效的变化趋势对裂缝是否发生转异进行诊断．结合实际工程，基于裂缝的实测资料，利用小波分析提取裂缝的时效变形，然后采用相空间重构技术对时效变形重构相平面，由此识别裂缝的转异点，确定裂缝转异发生的时间，对裂缝的稳定性进行诊断．研究表明，所得结论与工程的实际情况一致．     

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     

犯罪时间序列的混沌特征分析与短期预测

现有犯罪时间序列预测方法侧重于捕捉序列自相关性来构建预测模型,但缺少对犯罪时间序列所反映的社会治安系统非线性和复杂性特征的考虑。 针对这一不足,提出了一种基于混沌分析的长短期记忆(long short-term memory, LSTM)LSTM 预测方法(Chaos-LSTM)。 首先将犯罪时间序列进行相空间重构得到其重构参数以及高维特征,然后计算犯罪时间序列的 Lyapunov 指数判断其混沌特性,最后对符合混沌特征的犯罪时间序列利用重构参数进行序列重建,输入 LSTM 模型进行时序预测。 以北方某特大城市 2007—2014 年的抢劫、入室盗窃、抢夺、诈骗类犯罪的日序列数据进行了实验验证,结果表明:4类案件的时序数据均表现出明显的混沌特征。 Chaos-LSTM 模型在预测精度上较 LSTM 模型有明显提升,平均绝对百分误差(mean absolute percentage error, MAPE)提 升 度 最 高 可 达 19. 7% ,百 分 比 均 方 根 误 差 (percentage root mean square error,PRMSE)提升度最高为 4. 19% ,其中对稀疏性数据序列的提升效果更为明显,显示出该方法对稀疏犯罪时间序列具有更好的适应性。