用于癫痫EEG分析的排列模糊熵新算法

为了提高模糊熵在癫痫EEG信号分析中的抗噪能力,提出一种排列模糊熵新算法,即运用排列符号化时间序列的思想增强模糊熵的抗噪能力。通过在公共癫痫EEG数据上的抗噪实验和分类检测实验,分析了排列模糊熵的抗噪能力和癫痫检测性能。实验结果表明,排列模糊熵具有较好抗噪能力和较高的癫痫检测性能,比模糊熵更适用于癫痫信号的分析。     

酵母基因启动子序列结构与转录频率的关联性分析

分别基于Markov链模型、频率分析和加权Markov链模型分析k-mer(主要考虑k=6的情形)在DNA序列中的使用情况,并以此定义模糊相对熵度量2个DNA序列结构的差异程度.将转录频率较低的启动子序列作为对照,分析其它转录频率不同的酵母基因启动子序列与对照序列中k-mer隶属度的模糊相对熵的变化,发现基因转录频率与模糊相对熵存在线性正相关关系.一般地,转录频率相差越大的基因,其启动子序列结构的差异越明显.这提示酵母基因启动子序列结构与基因转录频率有一定关联性.与Markov链模型和频率分析法比较,加权Markov链模型的模糊相对熵能更有效地度量基因启动子序列结构的差异.     

基于VMD-熵方法的管道信号特征提取方法

由于仪器设备工作以及室外环境等因素的影响,采集的管道信号中会存在一定的随机噪声,使原始信号失去本身特征,导致无法对管道信号进行准确识别,为此,提出一种基于变分模态分解(VMD:Variational Mode Decomposition)算法-熵方法的特征提取方法。首先基于VMD算法对采集的管道工况信号进行去噪处理,然后从能量、冲击特性、时间序列复杂性3个角度全面提取不同工况下的信号特征,分别计算3种工况信号重构后信号的能量熵、峭度熵以及模糊熵,最后建立特征向量输入到极限学习机中进行工况识别。实验结果表明,该特征提取方法相比其他特征参数能更加准确地分类识别管道工况信号,识别率达到98.33%,证明该方法对管道泄漏信号分类识别的可行性。     

基于字符串变量的模糊熵算法的改进

为了解决样本熵算法缺乏连续性,而改进的样本熵算法即模糊熵算法运算复杂、速度慢的问题,结合模糊熵和样本熵算法各自特点,引入字符串变量代替相空间重构的思想,建立模糊熵新改进算法.选择35名大学生作为被试,分别以样本熵、模糊熵和新改进模糊熵算法计算复杂度参数,进行体现认知功能特征的事件相关电位复杂度分析,3种算法得出的复杂度对比分析表明:模糊熵新改进算法计算结果与样本熵算法和原模糊熵算法均具备一致性,适用于脑电信号特征提取.新改进算法与样本熵算法相比,计算事件相关电位得到的熵值变化幅度更大,更能有效识别被试的认知活动中脑活跃程度;计算长度为1 000的脑电序列一次,平均运算时间只需约2.1 s,较样本熵算法3.2 s,模糊熵算法10.4 s,大大提高了运算速度.     

基于模糊熵的聚类有效性分析

模糊熵描述了一个模糊集的模糊性程度.本文将模糊熵应用于聚类有效性的分析.指出用于聚类有效性判决的划分系数是一个基于模糊熵的聚类有效性判决准则.最后通过几组数据对不同模糊熵公式的判决功能进行了比较实验.     

用小波熵及非稳定周期轨道测量神经放电峰峰间期复杂性

为了研究帕金森病理大鼠苍白球神经放电序列的复杂性,首先对Rose-Hindmarsh理论神经元模型分叉数据进行了动态测量,并结合非稳定周期轨道对模型分叉数据进行周期检测,最后应用小波熵对正常状态下的大鼠和帕金森病理状态下的大鼠的内侧苍白球细胞放电峰峰间期进行了复杂性检测.结果发现,在神经元模型峰峰间期时间序列中,小波熵能较好地区分混沌信号和周期信号(混沌信号的小波熵为0.04～0.21,周期信号的小波熵为0.007～0),也能较好地区分周期一节律和周期二节律的信号(周期二节律数据的小波熵为0.007,周期一节律数据的小波熵接近于0).在小白鼠内侧苍白球细胞放电峰峰峰间期时间序列中,病理组小波熵明显高于正常组小波熵(正常组信号的小波熵为0.13～0.26,病理组信号的小波熵为0.38～0.87).非稳定周期轨道分析方法从周期轨道方向得出了和小波熵一致的结论.结果证明,小波熵可以定量反映神经元放电序列复杂性变化,是一种有效的复杂性测度方法.     

区间直觉模糊集熵的构造及其基本性质

模糊熵是刻画模糊集不确定性的一个基本概念.通过对区间直觉模糊集的模糊度的本质分析,给出了符合人们直觉的区间直觉模糊集的模糊熵的公理化定义,并指出原有关于区间模糊集的模糊熵的公理化的不足,相应地提出了一个关于区间直觉模糊集模糊熵的计算公式,并通过定理证明和实例分析,说明它具有良好的数学性质,所得结果更加合理.     

直觉模糊熵的改进研究

针对现有直觉模糊熵描述不确定性不够全面的缺点,指出直觉模糊集的不确定性应该体现在模糊性和直觉性两个方面上,其中模糊性由隶属度与非隶属度的差异程度决定,而直觉性由犹豫度决定。在此基础之上,建立了新的直觉模糊熵公理化定义,并给出一个熵度量。最后,实例分析表明新的直觉模糊熵度量比现有的熵度量更加合理和有效。     

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.     

汽车悬架振动实验台单频性的符号混沌特征辨识

分析了采用扫频激振方式工作的汽车悬架振动实验台的单频质量.根据计算时间序列的符号参数和混沌参数的原理,对符号概率序列构建了能够区分信号含噪程度的符号混沌特征,包括符号S熵、符号K熵、符号关联维和符号李指数4个参数.采用符号混沌特征,辨识实测的ACXX-160汽车悬架振动实验台振动信号,结果表明:(1)无论是扫频激振或等频激振,实验台振动信号均具有混沌性质;(2)扫频激振较之于等频激振,实验台振动信号的含噪程度大大增强,具有宽带随机性质.因此扫频激振方式不具有高质量的单频特性.图5,表1,参13.     

支持向量聚类联合类型熵识别的雷达信号分选方法

针对复杂环境下传统雷达信号分选处理中由于设定容差难以准确分选的问题,提出一种分层互耦支持向量聚类(SVC)联合类型熵识别的多参数雷达信号分选方法.该方法首先对雷达信号的全脉冲序列进行分层处理,再分别对每个子序列进行SVC聚类,然后引入分层耦合的思想,利用所提取子序列的全部质心,重新进行SVC聚类,将各分层的全脉冲序列中属于同一雷达信号源的子序列连接起来,从而实现对雷达全脉冲序列信号的分选.根据类型熵随信号种类数的增加及信号复杂性的增加而增大的特点,对多参数聚类结果进行类型熵的计算,并将类型熵识别用来辅助信号分选.实验结果表明,对于高脉冲密度环境和复杂的信号形式,提出的方法避免了传统信号分选方法中所面临的容差问题对信号分选的影响,可以实现有效分选.     

直觉模糊熵改进的公理化定义和计算公式

直觉模糊熵是用来刻画直觉模糊集的不确定性和未知性程度的,首先介绍了模糊熵的定义,给出了直觉模糊集的相关知识;接着分析和深入探讨已有直觉模糊熵公理化定义,找出存在的缺陷对其进行修改;然后分析已有直觉模糊熵公式,概括出其中的要点,提出一个新的计算公式;最后举例说明改进的公理化定义和计算公式符合客观规律.     

基于小波和神经网络的多故障检测系统研究

研究了对离散序列进行小波变换后,再提取个各尺度下的离散细节信号的小波特征熵,并将小波特征熵作为序列的特征提交给神经网络进行分类的故障信号识别方法,通过计算距离可分性测度,从理论上说明了该方法的合理性,并从实践应用中证明了该方法的可行性.     

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.     

基于模糊熵与改进相关向量机的语音端点检测

为提高低信噪比下语音端点检测的准确性,提出了一种基于模糊熵与改进相关向量机的端点检测算法.首先对语音信号进行基于听觉感知特性的语音增强,然后提取每帧信号的模糊熵作为改进相关向量机的输入矢量,同时针对单一核函数对预测分类鲁棒性弱的问题,对不同核函数进行自适应多核组合,融合多个核函数的特性,提高分类精度和鲁棒性.实验结果表明:在低信噪比环境下,基于模糊熵与改进相关向量机的端点检测能更有效地检测出语音的端点,准确率达到93.2%.     

生理时间序列的一种符号化分析方法

提出了一种分析生理时间序列的方法,即对重构的相空间进行符号化分析.因生理时间序列通常是非平稳的,为去除时间序列中的局部趋势、提取时间序列的波形特征,相空间中的向量被归一化,从而具有相同的均值和标准差.然后,引入最大拓扑熵（MTE）原则来寻找相空间的适当划分以实现向量的符号化.采用Logistic映射和人体运动信号检验的结果表明,用MTE原则比用最大熵原则得到的划分更接近最优划分.原时间序列的波动特征用出现的字模式个数与所有可能的字模式个数之比以及字模式分布概率的Shannon熵来描述.对人体运动信号的分析结果表明,该方法能够有效区分不同生理状态下的时间序列.     

基于通信序列熵的复杂网络信息度量研究

从信息的角度看待网络系统并构建蕴含网络整体信息的测度是网络信息理论的关键问题,基于节点对通信能力的通信序列熵被考虑为量化网络信息的候选测度.为了探讨其表征网络整体信息的能力,首先研究模型网络的拓扑结构对通信序列熵的影响.结果表明,异质性强、度-度关联性强以及具有社团结构的网络均具有相对较小的通信序列熵.其次,对比研究一些真实网络和它们对应的随机化网络模型的通信序列熵,可以得到随机化网络模型的阶数越高,通信序列熵越小,且越接近真实网络的通信序列熵.这些研究结果表明,网络的通信序列熵敏感地依赖于网络的基本拓扑结构,而且随着网络有序程度的递增,通信序列熵呈减小趋势.本文的研究结论为通信序列熵具有量化网络整体信息的能力提供了证据.     

人体HRV信号的检测及其复杂性分析

设计开发了一种便携式心电监测仪器,用于监测人的肢体心电(ECG)信号.根据获得的心电数据,采用小波变换技术进行心电R峰的准确定位,进而得到HRV序列.对HRV信号进行复杂性分析的结果表明:处于健康状态下HRV信号的复杂度(C(N))要高于处于病理状态下HRV信号的复杂度,且近似熵和复杂度的分析结果一致;处于健康状态下HRV信号的近似熵要高于处于病理状态HRV信号的近似熵.     

瞬态诱发耳声发射信号近似熵的分析及应用

为研究有无对侧刺激声 (CAS)作用下 ,瞬态诱发耳声发射 (TEOAE)信号的变化特征 ,根据耳蜗的非线性特性 ,提出了将近似熵的分析方法引入到耳声发射信号的研究中 ,并将近似熵的分析方法从时间序列复杂性的度量中引入到频率序列复杂性的度量中。结果表明 :无 CAS作用下 ,TEOAE频域信号的近似熵在各频带处 ,蜗性病变耳的近似熵明显低于正常耳的近似熵 ,蜗后病变耳的近似熵与正常耳的近似熵无明显差别。在 CAS作用下 ,听力正常耳的近似熵下降 ,而感音神经性耳聋的近似熵上升 ,且近似熵上升的频带与耳蜗或蜗后神经患病处频带相关 .根据研究结果 ,提出了利用有无对侧刺激声作用下耳声发射信号近似熵的变化来诊断感音神经性耳聋的方法     

基于模糊熵的时间序列非线性检测方法

针对目前常用的特征量有关联维数和近似熵这两个指标在应用中存在不足,提出了一种新的替代数据法对时间序列中的非线性特性进行检测。替代数据法由零假设和检验特征量两部分组成。笔者提出将模糊熵作为特征量引入到替代数据法中检测时间序列的非线性特征,并在Logistic方程产生的非线性时间序列,以及线性AR模型产生的线性时间序列上进行了验证。研究结果表明,对于不同长度的时间序列,基于模糊熵的替代数据法是一种稳定、有效的非线性检测方法。