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.     

胎儿心率时间序列的非线性混沌特性分析

根据胎儿心率（Fetal heart rate, FHR）信号属于短数据量时间序列的特点, 利用替代数据方法, 并结合判断混沌特性的特征量关联维、 最大李氏指数和复杂度对FHR信号进行分析. 结果表明, 两组FHR信号与依据两种零假设所产生的替代数据差别较大, FHR信号具有非线性成分, 由混沌特征量的判据S＞2可知, FHR信号具有非线性混沌特性.      

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。     

基于Volterra-Wiener-Korenberg模型的亚洲6种汇率非线性特征研究

基于Volterra-Wiener-Korenberg(VWK)模型非线性检验方法对亚洲6种汇率时间序列进行了非线性动力学特征研究,并结合替代数据分析检验了该方法在汇率时间序列领域统计结果的有效性.结果表明通过比较原始数据和基于原始数据所产生的替代数据之间的差异度,零假设在95%置信度范围内被拒绝,基于VWK模型非线性检验方法能够有效地检验出6种汇率的非线性特征,且这6种汇率呈现出内在的确定性非线性结构.     

基于模糊改进聚类分析的数据挖掘模型

针对对海量数据库中的大数据进行优化挖掘,可以提高数据特征的提取和检测能力.传统方法采用模糊C均值聚类的数据挖掘算法,当数据在层次聚类过程中空间特征的相似度差异性较小时,数据挖掘的准确度不高.提出一种基于粒子群混沌差分训练对模糊C均值聚类算法进行改进,建立数据挖掘优化模型.首先提出了数据聚类据挖掘模型的总体构架,采用非线性时间序列分析方法进行数据信息流拟合,对数据信息流进行高阶累积量特征提取,采用粒子群混沌差分训练实现模糊C均值聚类算法改进.以改进的模糊聚类算法对提取的高阶累积量特征进行聚类分析,以分析结果为依据对数据挖掘模型进行优化.仿真结果表明,该数据挖掘模型能有效实现海量数据的优化聚类和特征提取,数据挖掘的精度较高,性能较好,避免挖掘过程陷入局部收敛.     

有噪声的多维混沌时序的非线性检验

采用多变量时间序列替代数据生成原理,生成实测多变量时间序列的多组替代时间序列.综合线性冗余和广义冗余两种检验统计量,对一种定量检验多维信号非线性方法的抗噪声能力进行分析.从Lorenz和Chen′s系统获得多维时间序列,分别对加不同噪声水平的时间序列检验方法的有效性,并比较不同噪声水平对方法的影响.仿真实验结果表明,方法具有很强的抗噪声能力.     

基于k平面聚类的时序数据粒化和预测

设计了一种针对时间序列的k平面聚类算法,在时间维度和数值维度上同时对所有时序数据点进行聚类,从而将所有数据点划分到若干个不等长的时间窗口．在每个时间窗口上建立线性模糊信息粒子,最终得到原始时间序列的分段线性粒化表示．为便于采用模糊推理系统进行时间序列的预测,还定义了这些线性粒子的距离,从而构建了一种基于线性模糊信息粒子的预测方法．实验表明,所提出的预测方法可以有效地对具有伪周期的时间序列进行长期预测．      

基于滑动样本熵的动力学状态识别

样本熵是有效刻画系统复杂性的动力学指数,运用滑动技术生成样本熵函数,分析线性和非线性时间序列在不同动力学状态下的变化.结果显示,对于线性和非线性时间序列,动力学状态发生改变时,样本熵函数均有明显变化,其中,样本熵函数跳跃点指示了动力学状态突变点.进一步对比传统的识别方法,滑动样本熵体现出更好的稳定性和适用性,表明滑动样本熵方法能有效识别时间序列动力学状态,为时间序列的动力学状态分析提供一条新的途径.     

一种基于改进替代数据法的图形化混沌判据

替代数据法是非线性系统分析的一种有效方法. 该方法不能直接判断信号是否处于混沌状态,而是基于排除法思路,提高混沌识别的置信度. 文中引入一种针对类周期信号混沌识别的伪周期替代数据法,在数值实验中发现了该算法的3个缺陷:一是相空间重构在实际信号分析中效果不佳;二是替代数据直线化;三是检验统计量容错性较差. 针对这些问题分别提出了改进方法. 使用改进算法对不同类别信号（包括由Logistic模型产生的周期信号和混沌信号以及其它典型混沌信号等）进行数据实验. 发现所有混沌信号在各噪声半径下的复杂度都呈线性增长趋势;而周期信号在噪声半径小于0.1时,复杂度的取值保持平稳,噪声半径大于0.1时,复杂度取值开始单调增长. 对数据实验的结果分析表明:在各噪声半径下复杂度的线性增长趋势是混沌信号的共同特征,可作为一种有效的图形化混沌判据.     

基于广义复合多尺度熵的两相流动力学分析

多尺度熵(MSE)作为一种度量非线性时间序列复杂程度的有效分析方法,已被应用于两相流动力学特性分析.针对MSE分析中粗粒化方式的不足,采用方差代替均值以及复合化熵值的广义复合多尺度熵(GCMSE)对几种典型时间序列进行了分析.与MSE相比,GCMSE分析有效且熵值的稳定性表现更好.在此基础上,分析了125种不同流动条件下垂直上升管内气液两相流3种典型流型的压差波动时间序列.研究结果表明:泡状流、塞状流、混状流的GCMSE均随尺度因子的增大而增大,但熵值增长速率存在明显的差异,在低尺度因子下熵值增长速率能够用来表征不同流型,在中高尺度因子下熵值波动特征能够映射不同流型的非线性动力学特性.     

基于肌音信号的步态动作模式识别研究

通过采集腿部肌肉5个通道的肌音信号,利用3层决策树对跑步、上楼、下楼、走路、静止5种步态动作进行模式识别研究。在决策树的第1层和第2层,应用双阈值门限法识别静止和跑步两种步态模式,在第3层,提出基于步态信号的自适应不等长分割算法以及改进的模糊熵算法,利用线性分类器对走路、上楼、下楼进行分类识别。结果表明:双门限阈值法可有效地对静止和跑步进行识别,当采用改进的模糊熵特征时,对走路、上楼、下楼3种步态模式的分类准确率达到了94.87%;而当综合利用近似熵、样本熵和改进的模糊熵3种特征时,其分类准确率达到了98.76%。     

基于替代数据法的齿轮信号的混沌识别

替代数据法是准确判定时间序列是否具有混沌特征的一种有效方法,该方法不仅能很好地重构原始时间序列的特性,而且能避免直接识别混沌方法的局限性.应用替代数据法,以关联维数作为混沌判据,对故障齿轮信号进行了混沌特性判别.结果表明,齿轮故障信号存在混沌特征,替代数据法能对其进行准确识别.     

一种新的基于DFNN的时间序列预测

对时间序列预测, 利用自回归移动平均模型(ARIMA)给出了一种新的基于动态模糊神经网络(DFNN)的模型, 该模型中主要是考虑了输出误差这个重要因素. 将ARIMA模型产生的非线性特征用DFNN模型模拟. 能够产生比DFNN和ARIMA单个模型更加精确的模型. 因此, 它可以作为一个适当的替代模型来预测任务,特别是当需要更高的预测精度的时候. 最后用Mackey-Glass时间序列验证了模型的有效性.     

基于替代数据的Hurst指数计算

提出了一种利用替代数据方法计算Hurst指数的新方法。分析表明由约束实现方法生成的替代数据不但保留了原始时间序列中的长程依赖性,而且有效的消除了序列中的非线性相关性,可得到更为准确的Hurst指数值。     

病态胎儿心率信号的替代数据分析

利用基于关联维数的振幅调节傅里叶变换的替代数据法对死前和羊水少两组胎儿心率(Fe-tal heart rate,即FHR)时间序列进行了分析,给出了对于胎儿心率时间序列进行非线性判定和混沌判定方法,计算结果表明两组病态胎儿心率时间序列的混沌判据S<2,说明病态信号不具有混沌特性;但死前胎儿心率信号非线性判据t>ta,f,说明死前信号具有非线性,而羊水少胎儿心率信号非线性判据t相似文献   

一种新的对数能量谱熵语音端点检测方法

将一种新的对数能量(LE)特征和谱熵(SE)特征相结合,提出一种新的对数能量谱熵(LESE)特征,采用模糊C均值聚类算法和贝叶斯信息准则算法进行LESE特征门限估计,并使用双门限法进行语音端点检测.在TIMIT连续语音库上的实验结果表明,相比于能量谱熵(EE)法和对数能量(LE)法,在噪声环境下LESE法具有更好的检测性能,表现出更好的稳健性.当信噪比为-5 dB时,LESE法的检测错误率仅为18.02%,在信噪比为0～10 dB时,其检测错误率要明显低于EE法和LE法.     

基于残差融合的时序数据离群点检测算法

物联网的快速发展产生了海量的高维时序数据,然而时间序列易受到外界变化的环境因素影响而产生离群点。针对现有的离群点挖掘算法不能兼顾时序数据的趋势性、季节性、循环性、不规则性的特点,从而导致检测效果不理想的问题,提出一种基于残差融合的时序数据离群挖掘(residual integration outlier,RIO)算法。首先利用线性自回归移动平均模型(autoregressive integrated moving average model,ARIMA)拟合数据,得到在相同时间粒度下的残差序列,并将该序列作为非线性模型长短期记忆网络(long short-term memory,LSTM)模型的输入,输出残差序列预测值,而后将经由ARIMA模型与LSTM模型处理的序列在相同时间粒度下融合,得到一条经由混合模型两次处理的残差序列。最后,利用基于直方图的离群点模型(histogram-based outlier score,HBOS)检测出该二次残差序列的离群点。实验表明,RIO算法的准确度得到了较为明显的提高,具备良好的实用价值。     

广义模糊时间序列模型模糊区间划分研究

在模糊时间序列模型的构架中,介绍了广义模糊时间序列模型建立过程和常用的模糊区间划分方法,提出了基于均匀划分、模糊C均值聚类和自动聚类3种模糊区间划分方法的广义模糊时间序列模型,并用Alabama大学入学人数和沪市股指两组数据对模型进行了详细的分析.实验结果不仅揭示了这3种方法对模型预测结果的影响,还证明了广义模型优于传统模型.     

噪声对离散混沌系统非线性特征量的影响

以Logistic映射为例，运用非线性动力学的方法，分析了不同信噪比时，噪声对离散映像在混沌区非线性特征量的影响。通过错误近邻分析法确定序列的嵌入维，计算了序列的关联维数、最大Lyapunov指数和近似熵，结果表明：随着信噪比的降低，关联维数和近似熵逐渐增大，最大Lyapunov指数呈下降趋势；当信噪比大于500时，噪声对非线性特征量的影响不大。并采用重现图形和重现定量分析法得出信噪比大于10时序列存在的确定性规律仍能显示出来。     

基于贝叶斯分析的阶段性自主体育锻炼行为预测

为了提高阶段性自主体育锻炼行为分析和判断能力,提出基于贝叶斯分析的阶段性自主体育锻炼行为预测方法。构建阶段性自主体育锻炼行为预测的统计时间序列分析模型,采用大数据特征检测方法进行体育锻炼行为大数据挖掘和特征提取,基于贝叶斯分析预测思想进行行为统计特征序列的有序聚类,结合模糊C均值聚类分析方法进行体育锻炼行为预测过程中的信息聚类和属性归并,提取统计时间序列的关联规则特征量,在加权马尔可夫链中实现对阶段性自主体育锻炼行为量的准确预测。仿真结果表明,采用该方法进行阶段性自主体育锻炼行为预测的准确性较高,提高了自主体育锻炼行为的量化分析能力。