滑动移除重标方差在动力学结构突变检验中的应用

标度指数是一个有效的非线性动力学指数,能够针对相关性时间序列动力学结构突变进行检测;通过滑动窗口技术和滑动移除窗口技术,重标极差对于相关时间序列动力学突变具有很好的检测能力,但由于重标极差方法本身的不完善,在滑动移除窗口较小时其检测结果出现一些虚假的突变点和突变区间.鉴于此,本文提出了一种新的动力学检测方法—–滑动移除重标方差.理想序列数值试验表明,滑动移除重标方差具有很强的稳定性和准确性,在滑动窗口较小时其检测结果没有出现虚假的突变点和区间,实测资料的应用进一步验证了新方法的可靠性.     

一种基于重标极差方法的动力学结构突变检测新方法

提出了一种针对相关性时间序列动力学结构突变检测的新方法——滑动移除重标极差分析.数值试验表明,新方法能够准确的检测出理想序列中的动力学结构突变,其检测结果对于子序列的长度依赖性较小,而且具有很强的抗噪能力,弥补了滑动去趋势波动分析的不足. 关键词： 标度指数 滑动移除重标极差分析 滑动去趋势波动分析 动力学结构突变     

基于近似熵的突变检测新方法

近似熵是一个有效的非线性动力学指数,能够用于表征时间序列的复杂性,通过滑动窗口技术,近似熵对于一维时间序列的动力学结构突变具有一定的识别能力,但其突变检测结果依赖于子序列长度的选择,且不能准确定位突变点.鉴于此,本文提出了一种新的突变检测方法——滑动移除近似熵.测试结果表明,滑动移除近似熵具有检测结果稳定性好、准确性高等特点,明显优于滑动近似熵和Mann-Kendall方法,其在实际观测资料中的应用进一步证实了新方法的可靠性. 关键词： 近似熵 滑动移除近似熵 突变检测     

非线性时间序列的动力结构突变检测的研究

基于非线性时间序列分析方法——动力学相关因子指数，提出一种新的动力结构突变的检测方法——动力学指数分割算法.通过理想时间序列试验，验证了该方法检测动力结构突变的有效性，同时发现相对少量的尖峰噪声对该方法的影响较小，但连续分布的随机白噪声对其具有一定的影响，并与传统的滑动T检验法和Yamamoto法进行比较，进而讨论它们各自的优缺点. 关键词： 动力学相关因子指数 动力学指数分割算法 噪声 滑动T检验 Yamamoto法     

不同趋势对滑动移除近似熵的影响

许多观测资料中存在着各种各样的趋势,如季节变化引起的周期性趋势、全球变暖所造成的线性趋势、多项式趋势等.鉴于此,本文研究了各种趋势对滑动移除近似熵的影响.数值试验结果表明,周期性趋势、线性趋势及非线性趋势均对滑动移除近似熵的突变检测结果影响较小,论证了滑动移除近似熵方法检测突变的可靠性,为该方法在实际观测资料中的广泛应用提供了实验基础.     

滑动去趋势波动分析与近似熵在动力学结构突变检测中的性能比较

近似熵（ApEn）被认为是一种有效的动力学结构突变检测方法. 将一种新的动力学结构检测方法——滑动去趋势波动分析（MDFA）与ApEn的检测结果进行了比较,检验了新方法的性能. 结果表明,新方法的检测结果几乎不依赖于子序列的长度,而ApEn虽然能在一定程度上识别系统的动力学结构突变,但其检测结果依赖于子序列长度,且不能准确地检测出突变点的位置. 因此,相对于ApEn方法而言,MDFA方法更适合于动力学结构突变检测,其优越性是显而易见的. 关键词： 滑动去趋势波动分析 近似熵 动力学结构突变     

非线性动力学方法在气候突变检测中的应用

快速、准确的检测气候突变, 对于我们认识气候系统的变化和对未来气候系统演变趋势的预测有着重要的现实意义和社会经济价值. 本文主要回顾了近年来非线性突变检测技术的主要研究进展及其在实际观测资料中的应用, 其中包括基于气候系统长程相关性的检测方法, 如滑动去趋势波动分析方法、滑动移除去趋势波动分析方法、滑动移除重标极差方法和指纹法等; 以及基于时间序列复杂性的检测方法, 如近似熵方法, Fisher信息和小波Fisher信息等. 此外, 本文还指出发展针对空间场的突变检测技术是未来一个可能的发展方向. 由于空间场所包含的气候系统的演变信息远高于单点时间序列, 空间场的突变检测技术将会使得对气候突变的检测时间大大缩短, 从而使得人们有足够的时间去采取行动, 以便为适应气候突变所带来的新挑战做好准备.     

基于非线性时间序列分析经验模态分解和小波分解异同性的研究

基于经验模态分解(EMD）的希尔伯特变换（HT），是对非线性时间序列基于EMD进行分解， 然后通过HT获得频谱.利用理想时间序列和青藏高原古里雅冰芯¹⁸O时 间序列 ，系统地分析比较了EMD和小波分解(WD）以及HT和小波变换在非线性时间序列处理中的优劣 ，并针对它们各自的缺点提出了可能改进的设想.研究结果表明，将基于EMD的方法和基于WD 的方法有机结合起来应用，可以更有效地识别原时间序列的特征信息. 关键词： 经验模态分解 小波分解 理想时间序列 古里雅冰芯     

噪声对滑动移除近似熵的影响

受外强迫和仪器本身的测量误差等因素的影响, 观测数据中经常包含噪声和扰动等一些虚假的信息. 针对这一问题, 本文研究了各种不同噪声对滑动移除近似熵的影响. 研究结果表明, 滑动移除近似熵的检测结果受尖峰噪声和高斯白噪声的影响较小, 意味着其具有很强的抗噪能力, 这为该方法在实际观测资料中的广泛应用提供了坚实的实验基础.     

基于小波分析的ARIMA与LSSVM组合的高炉煤气预测

高炉煤气发生量的准确预测对钢铁企业能源优化调度具有重要意义。针对钢铁企业中基于机理模型的高炉煤气发生量难以准确预测问题,建立了基于小波分析的最小二乘支持向量机(LSSVM)和自回归差分滑动平均(ARIMA)相结合的高炉煤气预测模型。预测前利用小波去噪对原始数据进行消噪处理,并对处理后的数据进行小波变换得到趋势序列和波动序列,然后对各部分序列分别建模和预测,最后将各部分预测结果叠加;仿真结果表明,组合预测模型减小了预测误差,提高了预测精度。与其他模型相比,组合预测模型更适合高炉煤气预测。     

Comparison of performance between rescaled range analysis and rescaled variance analysis in detecting abrupt dynamic change

In the present paper, a comparison of the performance between moving cutting data-rescaled range analysis(MCR/S) and moving cutting data-rescaled variance analysis(MC-V/S) is made. The results clearly indicate that the operating efficiency of the MC-R/S algorithm is higher than that of the MC-V/S algorithm. In our numerical test, the computer time consumed by MC-V/S is approximately 25 times that by MC-R/S for an identical window size in artificial data. Except for the difference in operating efficiency, there are no significant differences in performance between MC-R/S and MC-V/S for the abrupt dynamic change detection. MC-R/S and MC-V/S both display some degree of anti-noise ability. However, it is important to consider the influences of strong noise on the detection results of MC-R/S and MC-V/S in practical application processes.     

Hybrid multi-resolution detection of moving targets in infrared imagery

A hybrid moving target detection approach in multi-resolution framework for thermal infrared imagery is presented. Background subtraction and optical flow methods are widely used to detect moving targets. However, each method has some pros and cons which limits the performance. Conventional background subtraction is affected by dynamic noise and partial extraction of targets. Fast independent component analysis based background subtraction is efficient for target detection in infrared image sequences; however the noise increases for small targets. Well known motion detection method is optical flow. Still the method produces partial detection for low textured images and also computationally expensive due to gradient calculation for each pixel location. The synergistic approach of conventional background subtraction, fast independent component analysis and optical flow methods at different resolutions provide promising detection of targets with reduced time complexity. The dynamic background noise is compensated by the background update. The methodology is validated with benchmark infrared image datasets as well as experimentally generated infrared image sequences of moving targets in the field under various conditions of varying illumination, ambience temperature and the distance of the target from the sensor location. The significant value of F-measure validates the efficiency of the proposed methodology with high confidence of detection and low false alarms.     

Rescaled Range Permutation Entropy: A Method for Quantifying the Dynamical Complexity of Extreme Volatility in Chaotic Time Series

Information entropy,as a quantitative measure of complexity in nonlinear systems,has been widely researched in a variety of contexts.With the development of a nonlinear dynamic,the entropy is faced with severe challenges in dealing with those signals exhibiting extreme volatility.In order to address this problem of weighted permutation entropy,which may result in the inaccurate estimation of extreme volatility,we propose a rescaled range permutation entropy,which selects the ratio of range and standard deviation as the weight of different fragments in the time series,thereby effectively extracting the maximum volatility.By analyzing typical nonlinear systems,we investigate the sensitivities of four methods in chaotic time series where extreme volatility occurs.Compared with sample entropy,fuzzy entropy,and weighted permutation entropy,this rescaled range permutation entropy leads to a significant discernibility,which provides a new method for distinguishing the complexity of nonlinear systems with extreme volatility.     

一种基于非完整二维相空间分量置换的混沌检测方法

由于混沌时间序列和随机过程具有很多类似的性质, 因而在实际中很难将两者区分开来. 混沌信号检测与识别是混沌时间序列分析中一个重要的课题. 混沌信号是由确定性的混沌映射或混沌系统产生的, 相比于高斯白噪声序列, 其在非完整的二维相空间中表现出更加丰富的结构特性. 本文通过研究混沌时间序列和高斯白噪声序列在非完整二维相空间中的分布特性, 利用混沌信号的非线性动力学特性, 提出了一种基于非完整二维相空间分量置换的混沌信号检测方法. 该方法首先由接收序列得到非完整的二维相空间, 基于第一维分量大小关系实现对第二维分量的置换与分组, 进一步求得F检验统计量. 然后利用混沌系统的局部特性, 获取非完整二维相空间的动力学结构信息, 实现对混沌序列的有效检测. 在高斯白噪声条件下对多种混沌信号进行了信号检测的数值仿真. 仿真结果表明: 相比置换熵检测, 本文所提算法所需数据量小、计算简单以及具有更低的时间复杂度, 同时对噪声具有更好的鲁棒性.     

Blind normalization of speech from different channels

We show how to construct a channel-independent representation of speech that has propagated through a noisy reverberant channel. This is done by blindly rescaling the cepstral time series by a nonlinear function, with the form of this scale function being determined by previously encountered cepstra from that channel. The rescaled form of the time series is an invariant property of it in the following sense: It is unaffected if the time series is transformed by any time-independent invertible distortion. Because a linear channel with stationary noise and impulse response transforms cepstra in this way, the new technique can be used to remove the channel dependence of a cepstral time series. In experiments, the method achieved greater channel-independence than cepstral mean normalization, and it was comparable to the combination of cepstral mean normalization and spectral subtraction, despite the fact that no measurements of channel noise or reverberations were required (unlike spectral subtraction).