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     

二维logistic映射的动力学行为和奇怪吸引子的分形特征

研究了二维logistic映射的动力学行为和奇怪吸引子的分形特征.利用分岔图、相图和Lyapunov指数谱分析系统的分岔过程,研究系统通向混沌的道路并确定系统处于混沌运动的参数区间;采用G-P算法计算奇怪吸引子的关联维数和Kolmogorov熵,对奇怪吸引子的分形特征定量刻画;采用逃逸时间算法构造奇怪吸引子的彩色广义M-J集,对奇怪吸引子的分形特征定性表征.结果表明,这些分析方法的配合使用可以更全面、形象地描述奇怪吸引子的分形特征.     

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。     

基于最优相空间重构参数的空调系统负荷预测

空调系统负荷非线性变化,单独利用人工神经网络方法进行预测,受到样本数量少等的限制,精度一般都比较低。空调系统负荷时间序列包含了参与空调系统动态变化的全部变量的信息,可以利用相空间重构技术提取和恢复出系统原来的规律。重构后的相空间具有与实际动力系统相同的几何性质,这样就可以大大增加样本数。相空间重构受嵌入维数m和延迟时间τ的影响,确定这两个重构参数的最佳数值是非常重要的。建立了基于相空间重构技术的神经网络空调负荷预测模型,在嵌入维数m和延迟时间τ分别取不同的值时,利用这个模型对相同时间段的空调负荷进行预测,选择预测误差最小时对应的参数为最佳相空间重构参数,对应的预测值为最佳预测结果。结果表明,这个方法有很好的效果,具有简化计算复杂性等特点。     

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.     

混沌动力系统小波变换模数的关联维数

关联维数是描述动力系统混沌的重要参数.在仿真计算的基础上,发现尽管小尺度小波变换时,奇异吸引子的整体形状发生了改变,但小波变换模数的关联维数与动力系统本身是一致的.同时仿真计算还表明,随尺度的增加,关联积分与距离的标度关系逐渐变差,但在一定范围内仍可较准确地计算出关联维数. 关键词： 混沌 关联维数 小波分析 尺度 相空间     

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。      

旋转对称的广义Lorenz奇怪吸引子

阐述了计算微分方程组最大Lyapunov指数的技术，介绍了由一维可观察量计算系统关联维数的方法．利用Lyapunov指数作判据，通过坐标变换，构造了具有旋转对称性的广义Lorenz奇怪吸引子，分析了奇怪吸引子的运动特征并计算了奇怪吸引子的关联维数．     

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     

基于符号分析的极大联合熵延迟时间求取方法

本文通过符号分析法求取联合熵的极大值点, 进而得到相空间重构的最佳延迟时间, 通过对几个典型的混沌系统进行数值仿真试验, 结果表明, 该方法简化了计算, 提高了效率, 能够准确快速地获得最佳延迟时间, 从而有效地重构原系统的相空间, 为混沌信号识别提供一种快速有效的途径. 关键词： 相空间重构 延迟时间 联合熵 符号分析     

单颗金刚石切削无氧铜的声发射关联维特征*

声发射技术可以实现无氧铜切削加工特征的监测与评价。采用声发射技术监测单颗金刚石磨粒旋转切削无氧铜，利用G-P算法重构出声发射时域信号相空间，采用自相关函数法计算出相空间时间延迟参数，通过相空间双对数曲线的计算，得到不同切削工况下的关联维数。研究结果表明，进给速度和切削速度对声发射信号影响较不显著，切深与声发射信号振幅呈正效应关系；声发射信号双对数曲线呈现阶段性增加趋势，并逐渐收敛于饱和状态，关联维数随着嵌入维数的增加先快速下降后趋于平稳；金刚石切削无氧铜的声发射信号具有混沌运动变化特性，在较小嵌入维数时，关联维数与切深和切削速度呈现线性负效应关系，与进给速度呈现线性正效应关系。该研究为无氧铜的切削加工提供理论参考。     

短期风速时间序列混沌特性分析及预测

针对短期风速时间序列的预测问题进行了研究. 首先通过0-1混沌测试法确定短期风速时间序列具有混沌特性. 采用相空间重构技术, 利用C-C算法确定延迟时间, G-P 算法确定嵌入维数. 然后提出一种参数在线修正的最小二乘支持向量机预测模型, 采用改进的粒子群算法进行预测模型中参数的优化. 最后通过仿真对比实验表明提出的预测方法在预测精度、预测误差、预测效果方面都要优于其他常见的预测方法, 证明该预测方法是有效的.     

Estimation of dynamical invariants without embedding by recurrence plots

In this paper we show that two dynamical invariants, the second order Renyi entropy and the correlation dimension, can be estimated from recurrence plots (RPs) with arbitrary embedding dimension and delay. This fact is interesting as these quantities are even invariant if no embedding is used. This is an important advantage of RPs compared to other techniques of nonlinear data analysis. These estimates for the correlation dimension and entropy are robust and, moreover, can be obtained at a low numerical cost. We exemplify our results for the Rossler system, the funnel attractor and the Mackey-Glass system. In the last part of the paper we estimate dynamical invariants for data from some fluid dynamical experiments and confirm previous evidence for low dimensional chaos in this experimental system.     

太阳高纬和低纬活动现象的混沌与分形特征

为了研究太阳高纬度和低纬度活动现象在南北半球的混沌与分形特征, 结合递归分析方法与Grassberger-Procaccia算法两种技术对1952年2月至1998年6月的极区光斑和黑子数目两种太阳磁活动指标进行了详细分析和比较. 主要结论如下: 1)由于太阳活动现象与磁场的时空演化密切相关, 导致太阳活动在南半球和北半球的混沌与分形特征具有不对称性, 太阳高纬度和低纬度活动现象的混沌与分形特征具有差异性; 2)太阳高纬度活动现象比低纬度活动现象具有更强的混沌程度和更复杂的分形结构, 其中太阳高纬度活动现象在北半球具有最强的混沌程度和最复杂的分形结构.     

Correlation integral as a tool for distinguishing between dynamics and statistics in time series data

We propose a new test for time series data for proper choice of processing technique: dynamical or statistical. It is based upon the normalized slope of the correlation integral (, m) = m⁻¹d(ln C()) /d ln , where m is the embedding dimension. It is shown that when does not tend to 0 on the resolved range of scales as m grows, then there will be serious limitations for dynamical methods even if the data are dynamical by nature. In the latter case it means that the length of time series does not allow to resolve small scales, and on large scales the delay reconstruction for any m mixes true and false neighbours of points and therefore restricts the application of dynamical techniques, such as estimating Lyapunov exponents or predicting time series.     

Recovering smooth dynamics from time series with the aid of recurrence plots

A graphical method based on recurrence plots is used in the reconstruction of the phase space from a time series of measurements. It is demonstrated that if the embedding delay and dimension are correctly chosen, the recurrence plot of a smooth dynamical system has a particularly simple form. It is shown how to use recurrence plots to determine the correct embedding parameters so that reliable quantitative information can be drawn about the system generating the time series. The average line length in the plot is shown to be directly related to the prediction horizon. Furthermore, it is a numerical characteristic of the embedded series independent of the threshold used in the plot.     

Statistical measures derived from the correlation integrals of physiological time series

In this work correlation integrals are used for the analysis of various EEG signals from rabbits in resting states and under the influence of an anesthetic. The comparison with surrogate data reveals nonlinear dynamics in all of the time series. Our attempt to determine the correlation dimension D(2) by the modified algorithm of Theiler [Phys. Rev. A 34, 2427 (1986)] failed since no saturation is reached with increasing embedding dimension. The hypothesis of low-dimensional chaos turns out to be inconsistent with our results, but we can still distinguish, at least qualitatively, between different states of brain dynamics. A quantitative characterization of the time series is possible by defining correlation parameters P(a) derived from correlation integrals reflecting also autocorrelation of the signal. (c) 1996 American Institute of Physics.