将观察到的时间序列转换为状态向量
返回重构的相空间XR
= phaseSpaceReconstruction (<一个href="#d123e15501" class="intrnllnk">X
,<一个href="#d123e15572" class="intrnllnk">滞后
,<一个href="#d123e15532" class="intrnllnk">昏暗的
)
使用approximateEntropy
,<一个href="//www.tianjin-qmedu.com/help/predmaint/ref/correlationdimension.html">correlationDimension
,<一个href="//www.tianjin-qmedu.com/help/predmaint/ref/lyapunovexponent.html">lyapunovExponent
使用
[<一个href="#d123e15784" class="intrnllnk">
返回重构相空间XR
,<一个href="#d123e15806" class="intrnllnk">eLag
,<一个href="#d123e15832" class="intrnllnk">eDim
= phasespacerconstruction (<一个href="#d123e15501" class="intrnllnk">X
)
[<一个href="#d123e15784" class="intrnllnk">
返回重构的相空间XR
,<一个href="#d123e15806" class="intrnllnk">eLag
,<一个href="#d123e15832" class="intrnllnk">eDim
= phasespacerconstruction (<一个href="#d123e15501" class="intrnllnk">X
,<一个href="#d123e15572" class="intrnllnk">滞后
)
[<一个href="#d123e15784" class="intrnllnk">
返回重构的相空间XR
,<一个href="#d123e15806" class="intrnllnk">eLag
,<一个href="#d123e15832" class="intrnllnk">eDim
= phasespacerconstruction (<一个href="#d123e15501" class="intrnllnk">X
[],<一个href="#d123e15532" class="intrnllnk">昏暗的
)
[<年代p一个ncl一个年代年代="argument_placeholder">___
= phasespacerconstruction (<年代p一个ncl一个年代年代="argument_placeholder">___,<一个href="#namevaluepairarguments" class="intrnllnk">名称,值
)返回重构的相空间<一个href="#d123e15784" class="intrnllnk">XR
带有一个或多个指定的附加选项
phaseSpaceReconstruction (<年代p一个ncl一个年代年代="argument_placeholder">___
)在没有输出参数的情况下,通过沿对角线的直方图绘制重建相空间子轴的矩阵。
相空间重构
对于均匀采样的单变量时间信号<年代p一个ncl一个年代年代="inlineequation">
,
在那里,<年代p一个ncl一个年代年代="inlineequation">N是时间序列的长度,<年代p一个ncl一个年代年代="inlineequation">τ<年代ub>1是滞后,还是<年代p一个ncl一个年代年代="inlineequation">米<年代ub>1嵌入尺寸是<年代p一个ncl一个年代年代="inlineequation">X<年代ub>1.
类似地,对于多元时间序列
phaseSpaceReconstruction
计算每个时间序列的重构为:
在哪里
延迟估计
用平均互信息(AMI)估计相空间重构的时延。重构时,将时延设置为AMI的第一个局部最小值。
平均互信息计算为:
在那里,<年代p一个ncl一个年代年代="inlineequation">N时间序列的长度和<年代p一个ncl一个年代年代="inlineequation">Τ= 1:
嵌入维数估计
采用伪近邻算法估计相空间重构的嵌入维数。
这一点<年代p一个ncl一个年代年代="inlineequation">我在维<年代p一个ncl一个年代年代="inlineequation">d,点<年代p一个ncl一个年代年代="inlineequation">X<年代up>r我和它的最近点<年代p一个ncl一个年代年代="inlineequation">X<年代up>r *我在重构相空间中<年代p一个ncl一个年代年代="inlineequation">{
在那里,<年代p一个ncl一个年代年代="inlineequation"> 是距离度量。
预估嵌入尺寸PercentFalseNeighbors
在那里,<年代p一个ncl一个年代年代="inlineequation">p<年代ub>模糊神经网络为重构相空间中FNN点与总点数的比值。
罗兹,卡尔和莫拉里,曼弗雷德。伪近邻算法与噪声破坏时间序列<年代p一个ncl一个年代年代="emphasis">物理评论。E.55.10.1103 / PhysRevE.55.6162。
[2] Kliková, B.,和Aleš Raidl。利用时滞方法重构动力系统的相空间。<年代p一个ncl一个年代年代="emphasis">第20届博士生年会论文集2011年改进算法。
[3] I. Vlachos, D. Kugiumtzis,“多元时间序列预测的状态空间重构”,<年代p一个ncl一个年代年代="emphasis">复杂系统中的非线性现象,第11卷第2期,页241-249,2008。
[4] Kantz, H.和Schreiber, T.。<年代p一个ncl一个年代年代="emphasis">非线性时间序列分析.剑桥:剑桥大学出版社,2004年第7卷。
approximateEntropy
|<年代p一个n我te米年代cope我te米type="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">lyapunovExponent
|<年代p一个n我te米年代cope我te米type="//www.tianjin-qmedu.com/help/schema/MathWorksDocPage/SeeAlso" itemprop="seealso">correlationDimension