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.     

基于等概率符号分析方法计算互信息确定延迟时间

用互信息函数确定混沌时间序列相空间重构最佳延迟时间.针对常规符号分析方法计算互信息准确度不高的缺陷,提出等概率符号分析方法计算互信息,即对时间序列按值域大小重排列,再对重排后的序列进行等概率分割,分割的组数由分组经验公式确定,然后取每组的边界值组成符号分析方法的临界点集合进行计算.通过对Lorenz方程和强迫Brusselator振子进行仿真实验,得到的最佳延时与Fraser等概率分格子法得到的结果一致,而算法上更容易实现,证明方法有效.     

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.     

求解二维Euler方程有限单元边插值的降维重构算法

数值求解二维Euler方程的有限体积法（如k-exact，WENO重构、紧致重构等），无一例外地要进行耗时的网格单元上的二维重构.然而这些二维重构最后仅用于确定网格单元边界上高斯积分点处的解值，单元上二维重构似乎并非必需的.因此，文章提出用网格边上的一维重构来取代有限体积法中网格单元上的二维重构，分别在一致矩形网格和非结构三角形网格上发展了基于网格边重构的求解二维Euler方程的新方法，称为降维重构算法.数值算例表明该算法可以计算有强激波的无黏流动问题，且有较高的计算效率.      

利用二阶雅可比行列式确定二维重构系统的延迟时间

提出了二阶雅可比行列式的第一极值来确定二维重构系统的延迟时间，它比用互信息函数第一极小确定延迟时间等方法，可以给出更多信息，文中以强迫Ｂｒｕｓｓｅｌａｔｏｒ方程系统的为例进行了讨论。     

用等间距分格子法计算互信息函数确定延迟时间

以等间距划分空间格子的方法,计算了互信息函数,进而给出了延迟时间。以强迫布鲁塞尔振子为例,给出了重构运动状态。     

交通流量序列混沌特性分析及DFPSOVF预测模型

以实际采集的交通流量序列作为研究对象, 分别应用互信息法和虚假邻点法确定其延迟时间和最佳嵌入维数, 完成交通流量序列的相空间重构. 通过计算交通流量序列的饱和关联维数和最大Lyapunov指数判定其混沌特性. 以最小均方(LMS)算法为基础, 构建了一种基于Davidon-Fletcher-Powell方法的二阶Volterra模型(DFPSOVF), 其应用了一种可随输入信号变化而实时变化的基于后验误差假设的可变收敛因子技术. DFPSOVF模型避免了在Volterra模型中采用LMS自适应算法调整系数时参数选择不当引起的问题. 将DFPSOVF模型应用于具有混沌特性的短时交通流量预测, 结果表明: 当模型记忆长度与交通流量序列的嵌入维数选择一致时, 模型的预测精度较高, 可以满足交通诱导和交通控制的需要, 为智能交通控制提供了新方法、新思路及工程应用参考. 关键词： 交通流量 混沌 DFPSOVF模型 预测     

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     

皮层脑电时间序列的相空间重构及非线性特征量的提取

对麻醉的SD大鼠在癫痫发作前后两种状态的皮层脑电(ECoG)的时间序列,用多种有效的方法和分析技术,使得大量的ECoG时间序列得以正确的分析,并得出重要的结论.首先利用延时坐标法重构吸引子;计算互信息函数,取互信息函数第一次达到最小值的延时为重构延时时间,提出将伪邻点法和Cao法相结合的方法确定最佳嵌入维数.然后采用非线性预报和替代数据法相结合的方法确定ECoG为混沌时间序列,从不同角度得出了ECoG不是低维混沌的结论.在ECoG相空间重构的基础上,计算了最大Lyapunov指数(LLE).应用了近似熵这一标量对ECoG进行刻画,计算结果表明:癫痫发作前的皮层脑电的最大Lyapunov指数和近似熵都明显地高于癫痫发作后的,这可能为理解癫痫发病机理,预报癫痫发作和治疗提供一定的思路. 关键词： 皮层脑电 互信息 伪邻点法 最大Lyapunov指数 近似熵     

Reinforcement Learning for Bit-Flipping Decoding of Polar Codes

A traditional successive cancellation (SC) decoding algorithm produces error propagation in the decoding process. In order to improve the SC decoding performance, it is important to solve the error propagation. In this paper, we propose a new algorithm combining reinforcement learning and SC flip (SCF) decoding of polar codes, which is called a Q-learning-assisted SCF (QLSCF) decoding algorithm. The proposed QLSCF decoding algorithm uses reinforcement learning technology to select candidate bits for the SC flipping decoding. We establish a reinforcement learning model for selecting candidate bits, and the agent selects candidate bits to decode the information sequence. In our scheme, the decoding delay caused by the metric ordering can be removed during the decoding process. Simulation results demonstrate that the decoding delay of the proposed algorithm is reduced compared with the SCF decoding algorithm, based on critical set without loss of performance.     

A Novel Nonparametric Feature Selection Approach Based on Mutual Information Transfer Network

The filter feature selection algorithm is habitually used as an effective way to reduce the computational cost of data analysis by selecting and implementing only a subset of original features into the study. Mutual information (MI) is a popular measurement adopted to quantify the dependence among features. MI-based greedy forward methods (MIGFMs) have been widely applied to escape from computational complexity and exhaustion of high-dimensional data. However, most MIGFMs are parametric methods that necessitate proper preset parameters and stopping criteria. Improper parameters may lead to ignorance of better results. This paper proposes a novel nonparametric feature selection method based on mutual information and mixed-integer linear programming (MILP). By forming a mutual information network, we transform the feature selection problem into a maximum flow problem, which can be solved with the Gurobi solver in a reasonable time. The proposed method attempts to prevent negligence on obtaining a superior feature subset while keeping the computational cost in an affordable range. Analytical comparison of the proposed method with six feature selection methods reveals significantly better results compared to MIGFMs, considering classification accuracy.     

基于小波变换的光混沌信号消噪与Lyapunov指数计算

针对动力学方程未知且信噪比小的光混沌信号,采用小波多分辨分解算法对其进行噪音消减.用Lorenz混沌信号对该算法的消噪效果进行了检验.提出利用互信息量法和Cao氏法来改进小数据量法在时间延迟和嵌入维数计算上存在的主观选择性,对经过噪音消减的Lorenz混沌信号利用此改进的小数据量法计算其最大Lyapunov指数.结果表明,信噪比可提高近10 dB左右,最大Lyapunov指数计算误差可减少近30%,并求得半导体放大器光混沌信号的最大Lyapunov指数为0.389 6.     

文本无关说话人识别的全特征矢量集模型及互信息评估方法

提出了一种文本无关说话人识别的全特征矢量集模型及互信息评估方法,该模型通过对一组说话人语音数据在特征空间进行聚类而形成,全面地反映了说话人语音的个性特征。对于说话人语音的似然度计算与判决,则提出了一种互信息评估方法,该算法综合分析距离空间和信息空间的似然度,并运用最大互信息判决准则进行识别判决。实验分析了线性预测倒谱系数(LPCC)和Mel频率倒谱系数(MFCC)两种情况下应用全特征矢量集模型和互信息评估算法的说话人识别性能,并与高斯混合模型进行了比较。结果表明:全特征矢量集模型和互信息评估算法能够充分反映说话人语音特征,并能够有效评估说话人语音特征相似程度,具有很好的识别性能,是有效的。     

A Geometric Perspective on Information Plane Analysis

Information plane analysis, describing the mutual information between the input and a hidden layer and between a hidden layer and the target over time, has recently been proposed to analyze the training of neural networks. Since the activations of a hidden layer are typically continuous-valued, this mutual information cannot be computed analytically and must thus be estimated, resulting in apparently inconsistent or even contradicting results in the literature. The goal of this paper is to demonstrate how information plane analysis can still be a valuable tool for analyzing neural network training. To this end, we complement the prevailing binning estimator for mutual information with a geometric interpretation. With this geometric interpretation in mind, we evaluate the impact of regularization and interpret phenomena such as underfitting and overfitting. In addition, we investigate neural network learning in the presence of noisy data and noisy labels.