混沌时序相空间重构参数确定的信息论方法

根据信息论基本原理，研究了混沌时间序列相空间重构参数延迟时间和嵌入维数的选取.提出了用符号分析的方法计算互信息函数，确定出延迟时间，在此基础上，提出了一种估计嵌入维数的信息论方法，即根据重构向量条件熵随向量维数的变化关系来确定嵌入维数，通过对几种典型混沌动力学系统的数值验证，结果表明该方法能够确定出合适的相空间重构嵌入维数. 关键词： 混沌 相空间重构 互信息 条件熵 符号分析     

混沌时间序列重构相空间参数选取研究

基于重构相空间的延迟时间和嵌入维数这两个参数的选取不相关的观点,提出用互信息函数法确定延迟时间后,用CAO方法来确定嵌入维数的新思路.通过对几种典型的混沌动力学系统的数值验证,结果表明该方案能够确定出相空间重构的有效延迟时间和最佳嵌入维数.该方法能够从时间序列中有效地重构原系统的相空间,是混沌信号识别的一种有效途径.     

基于条件熵扩维的多变量混沌时间序列相空间重构

提出一种多变量混沌时间序列相空间重构的条件熵扩维方法.首先使用互信息法求解每个变量的时间延迟,其次按条件熵最大原则逐步扩展相空间的嵌入维数,使得重构坐标从低维到高维的转换保持较强的独立性,最终的重构相空间具有较低的冗余度,为多变量时间序列的预测构造了有效的模型输入向量.通过对几个经典多变量混沌时间序列进行数值实验,结果表明该方法比单变量预测和已有多变量预测方法具有更好的预测效果,说明了该重构方法的有效性. 关键词： 多变量混沌时间序列 相空间重构 条件熵 神经网络预测     

基于信息熵优化相空间重构参数的混沌时间序列预测

提出一种混沌时间序列相空间重构参数的信息熵优化方法(IEOP),该方法首先使用条件熵表示信息量,建立时间延迟和嵌入维数在相空间中的信息熵优化模型,然后利用遗传算法同时求解两个重构参数,使重构坐标间既保持了良好的独立性又保留了原系统的动力学特征.通过在Lorenz和Mackey-Glass系统上的数值实验,该方法不仅能够确定合适的嵌入维数和时间延迟,而且能在优化的相空间中获得更多的信息,提高了混沌时间序列的预测精度.     

螺旋桨鸣音的混沌动力特性研究

利用混沌动力学方法研究螺旋桨鸣音信号时间序列,估计时间序列的相空间重构最佳参数,并提出其具有混沌动力特性,分析了系统拓扑维数的边界和生成系统所必须独立变量的个数,还计算分析了重构相空间中吸引子轨迹随时间演化的发散情况。分析计算结果表明:螺旋桨鸣音信号时间序列可以选取最佳延迟时间t_D=1、最小嵌入维数d_E=8进行相空间重构,其混沌吸引子的关联维数为5.1579、最大Lyapunov指数为0.0771,此研究结果可以为螺旋桨鸣音现象的进一步研究提供理论基础。      

基于小波变换的混沌信号相空间重构研究

应用小波变换和非线性动力学方法研究了混沌信号在相空间中的行为，指出混沌时间序 列的小波变换实质上是在重构的相空间中，混沌吸引子向小波滤波器向量所张的空间中的投 影，与Packard等人提出的相空间重构方法本质上是一致的.实验结果表明，混沌信号经过 小波变换后，吸引子轨迹与原有轨迹具有相似的结构，同时，系统的关联维数、Kolmogorov 熵等非线性不变量仍然得到保留.这些结果表明，利用小波变换研究混沌信号是有效的. 关键词： 小波变换 相空间重构 混沌信号 脑电信号     

横掠管束周期性充分发展对流换热的混沌分析

本文利用混沌理论分析了横掠管束周期性充分发展对流换热的非稳定性问题,即通过速度U的时间序列的重构相空间计算出关联维数D2,并通过时间序列分析了该非线性动力系统的功率谱特性。分析结果表明,本文所研究的横掠管束周期性充分发展对流换热系统在所给出的控制参数Re=937.7下出现的非稳定性问题属于混沌现象。系统的整体状态可用奇怪吸引子来描述,当延迟时间选择为5,该时间序列的重构相空间的嵌入维数增至5时,该吸引子的分维数趋于定值1.63。     

指向Lyapunov指数及其在单输入单输出系统故障检测中的应用

针对单输入单输出系统的故障检测, 采用混沌振荡器作为激励源, 并利用非一致延迟时间法对被测系统输出时间序列进行相空间重构. 在相空间中平衡点附近定义了指向Lyapunov指数, 并用其对被测系统输出在相空间中平衡点附近特征结构进行分析, 实现了对单输入单输出系统的故障检测. 仿真结果表明, 被测系统的参数变化将会引起相空间中平衡点附近特征结构的改变, 指向Lyapunov指数对其变化敏感. 关键词： 混沌激励 指向Lyapunov指数 故障检测 单输入单输出系统     

评价奇怪吸引子分形特征的Grassberger-Procaccia算法

基于Lorenz,Rssler和H啨ｎｏｎ三种典型的奇怪吸引子,全面分析了GrassbergerProcaccia(缩写GP)算法,详细讨论了采样数据量、延迟时间、重构相空间维数和线性区长度等参数对计算关联维数和Kolmogorov熵的影响,结果表明这些关键参数是相互关联的.通过分析关联积分谱的变化趋势,发现延迟时间与重构相空间维数对连续动力系统和离散动力系统的作用效果是不同的,且选择最佳延迟时间对计算关联维数的意义不大.指出了实际中应用GP算法应注意的问题 关键词： 奇怪吸引子 GrassbergerProcaccia算法 关联维数 Kolmogorov熵     

二维流化床中流动的非线性特性分析

本文建立简化二维流化床模型对其进行数值求解,对流场内九个点监测压力与固相体积分数数据。对数据进行后处理计算流场的关联维度与K熵,通过比较判别系统混沌程度与气速关系。结果显示随着气速增加,系统混沌程度增加。相空间重构图像、关联维数与K熵结果均显示出流场存在不对称,相比于相空间重构图,关联维度与K熵更精准地表示监测点时间序列的混沌强度。压力项与固相体积分数混沌程度变化并不对应。随流速增加气固交换混沌程度的较大值由中部转移至两侧并且左右数值更加趋近相同,压力关联维度在底部随速度先增后降。     

一种混沌海杂波背景下的微弱信号检测方法

基于复杂非线性系统的相空间重构理论,提出了一种基于遗传算法的支持向量机预测方法.利用改进的自相关法和饱和关联维数法确定混沌信号的时间延迟和嵌入维,从而实现相空间重构.通过遗传算法优化支持向量机中的惩罚系数和核函数参数,并结合支持向量机建立混沌序列的单步预测模型,从预测误差中检测出淹没在混沌背景中的微弱信号(包括瞬态信号和周期信号).以Lorenz系统和加拿大McMaster大学利用IPIX雷达实测得到的海杂波数据作为混沌背景噪声进行仿真实验,结果表明该方法能够有效地从混沌背景噪声中检测出微弱目标信号,所得的均方根误差为0.00049521(信噪比为-89.7704 dB),这比传统支持向量机方法的均方根误差(0.049,信噪比为-54.60 dB)降低了两个数量级.     

Research on the chaos recognition method based on differential entropy

Phase space reconstruction is the first step to recognizing the chaos from observed time series. On the basis of differential entropy, this paper introduces an efficient method to estimate the embedding dimension and the time delay simultaneously. The differential entropy is used to characterize the disorder degree of the reconstructed attractor. The minimum value of the differential entropy corresponds to the optimum set of the reconstructed parameters. Simulated experiments show that the original phase space can be effectively reconstructed from time series, and the accuracy of the invariants in phase space reconstruction is greatly improved. It provides a new method for the identification of chaotic signals from time series.     

基于径向基函数神经网络的混沌时间序列相空间重构双参数联合估计

鉴于径向基函数(RBF)神经网络模型在非线性预测方面的优良性能, 提出了利用该预测模型对混沌时间序列相空间重构的两个关键参数——延迟时间和嵌入维数进行联合估计的方法, 并以客观的评价指标为依据给出其最优估计值. 以Lorenz系统为例进行数值分析, 得到RBF单步及多步预测模型中嵌入维数和延迟时间的最佳参数估计值, 并在原模型中对估计值进行校验. 结果表明, 该方法可以有效地估计出嵌入维数和延迟时间, 从而显著提高预测精度.     

Application of local polynomial estimation in suppressing strong chaotic noise

In this paper, we propose a new method that combines chaotic series phase space reconstruction and local polynomial estimation to solve the problem of suppressing strong chaotic noise. First, chaotic noise time series are reconstructed to obtain multivariate time series according to Takens delay embedding theorem. Then the chaotic noise is estimated accurately using local polynomial estimation method. After chaotic noise is separated from observation signal, we can get the estimation of the useful signal. This local polynomial estimation method can combine the advantages of local and global law. Finally, it makes the estimation more exactly and we can calculate the formula of mean square error theoretically. The simulation results show that the method is effective for the suppression of strong chaotic noise when the signal to interference ratio is low.     

相空间重构中延迟时间选取的新算法

根据Takens提出的嵌入理论,对比研究在相空间重构过程中对延迟时间选取的若干方法,提出一种新的平均位移-互信息联合算法.在互信息函数的具体计算上,引入二叉树的方法划分和标记网格,克服了以往算法繁琐、难以编程实现的缺点,并通过判断稀疏网格所占比例控制划分层数,获得较高的精度.最后通过对R ssler系统和Lorenz系统的数值仿真,证明算法具备更高的可行性与准确度.     

Analysis of phase synchronization of chaotic oscillations in terms of symbolic CTQ-analysis

The application of symbolic CTQ-analysis for studying synchronization of chaotic oscillations is considered. This approach differs substantially from its analogs since it makes it possible to diagnose and measure quantitatively the characteristics of intermittency regimes in synchronization of chaotic systems and, hence, to analyzer the temporal structure of synchronization. The application of the symbolic analysis apparatus based on the T alphabet to systems with phase locking and synchronization of time scales is demonstrated for the first time. As an example, a complex system of two mutually coupled nonidentical Rössler oscillators in the helical chaos regime with attractors having an ill-conditioned phase is considered. The results show that the method considered here makes it possible to reliably diagnose synchronism sooner than a phase locking and/or time-scale synchronization threshold is detected.     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.