基于奇异谱熵的相空间重构最佳时间延迟选择

对相空间重构中的重要参数时间延迟L的选择进行了研究,并针对奇异值比率(SVF)方法的不足,将奇异谱熵引入相空间重构中L的选择,提出了一种新的L选择准则．以Lorenz和Roessler吸引子为例,通过与SVF方法L计算结果的比较,显示了该方法的优越性．最后应用基于奇异谱熵的L选择准则计算了Lorenz吸引子的关联维数．通过与理论值的比较,证明了该方法的有效性．     

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．     

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．     

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。     

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.     

相空间重构法在齿轮故障诊断中的应用

运用相空间重构的方法对齿轮故障进行研究,发现该方法对齿轮故障的诊断具有一定的指导意义。     

一种基于相空间重构的动态离散时间序列参数自适应求取算法

提出了自适应确定动态离散时间序列的最佳重构相空间嵌入维方法,为数据量不断变动的动态离散时间序列数据库实现自动连续分析提供了可能.讨论了在应用Wolf算法计算最大Lyapunov指数时遇到的因追踪轨线追踪到相空间终点而使计算意外终止的问题,提出最大Lyapunov指数的改进求解方法.基于最大Lyapunov指数进行验证性预测,说明了算法的有效性,并进一步分析了算法对实时分析短期稳定的混沌系统具有积极意义.     

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。     

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.     

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。     

相空间中含时滞的非保守力学系统的Noether定理

研究相空间中含时滞的非保守力学系统的Noether对称性与守恒量。建立含时滞的非保守系统动力学的Hamilton正则方程;依据相空间中含时滞的Hamilton作用量在无限小群变换下的广义准不变性,给出相空间中含时滞的Noether广义准对称变换的定义和判据;并建立相空间中含时滞的非保守力学系统的Noether对称性与守恒量之间的联系。文末,举例说明结果的应用。     

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.     

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     

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.