基于信息理论的时间序列非线性检测方法

替代数据方法是检验时间序列非线性和混沌的重要统计方法,应用此方法时,常用的检验统计量各有优势与局限性。本文在采用振幅调节傅立叶变换法(AAFT)产生替代数据后,引入信息冗余度作为检验统计量进行统计检验,研究了单变量及多变量的非线性定性及定量检验方法。实验算例表明,本文方法是一种有效的、鲁棒的非线性检验方法。     

时间序列分析法用于常减压炼油装置测量数据校正

提高常减压炼油装置过程数据校正精度的有效手段是增加测量数据的冗余。通过对影响测量数据校正的因素进行分析，建立了时序平均值模型，提出了使用时间序列分析法来增加数据校正过程时间冗余的新方法，可在不增加测量点的前提下改善校正数据精度。采用常减压炼油生产装置的实际测量数据，对时间序列分析法的过失误差侦破能力、数据校正精度受时域值、过失误差大小的影响等进行了研究，探讨了时序法的可行性和实用性。结果表明，时序法可以快速有效地用于该装置的实时测量数据校正。     

基于相关性的多维时序数据异常溯源方法

提出一种基于统计学相关性分析的多维时序异常数据检测分析方法,以对检测中表现为异常的数据进行溯源:对反映系统故障的数据和传感器质量问题的数据进行分类,进而识别出真正的系统故障,避免误检.首先根据相关关系构建时序相关图,再进一步归纳为时序相关环模型,通过在时序相关图上搜索并确定时序相关环的过程,提取时序相关环中的特征,得到时间序列相关性集合.进而利用时间序列相关性集合进行时序数据异常来源检测,根据检测结果评估时序传感器数据对应的系统故障的几率.在真实的工业设备传感器序列数据集上进行大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从稳定性和效率上优于基于统计和基于机器学习模型的基准算法,时间序列的维度越高,该方法较基准算法的提升越明显.该方法通过对多维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对多维异常数据来源的精准识别.     

基于时间序列的航天器遥测数据预测算法

在航天器遥测数据预测领域,基于时间序列的预测方法有着广阔的应用前景;时间序列有一明显的特性就是记忆性,记忆性是指时间数列中的任一观测值的表现皆受到过去观测值影响;它的基本思想是根据观测数据的特点为数据建立尽可能合理的统计模型,利用模型的统计特性解释数据的统计规律,以期达到预报的目的;提出了采用模式识别和参数估计的方法,结合航天器遥测动态数据,建立关于航天器遥测数据的时序预测模型,对航天器遥测数据趋势进行检测和预报。     

基于相关性分析的工业时序数据异常检测

多维时间序列上的异常检测,是时态数据分析的重要研究问题之一.近年来,工业互联网中传感器设备采集并积累了大量工业时间序列数据,这些数据具有模式多样、工况多变的特性,给异常检测方法的效率、效果和可靠性均提出更高要求.序列间相互影响、关联,其隐藏的相关性信息可以用于识别、解释异常问题.基于此,提出一种基于序列相关性分析的多维时间序列异常检测方法.首先对多维时间序列进行分段、标准化计算,得到相关性矩阵,提取量化的相关关系;然后建立了时序相关图模型,通过在时序相关图上的相关性强度划分时间序列团,进行时间序列团内、团间以及单维的异常检测.在真实的工业设备传感器数据集上进行了大量实验,实验结果验证了该方法在高维时序数据的异常检测任务上的有效性.通过对比实验,验证了该方法从性能上优于基于统计和基于机器学习模型的基准算法.该研究通过对高维时序数据相关性知识的挖掘,既节约了计算成本,又实现了对复杂模式的异常数据的精准识别.     

时序NDVI数据集重建方法评价与实例研究

时序NDVI数据集已经成功地应用于全球与区域环境变化、植被动态变化、土地覆盖变化和植物生物物理量参数反演等方面的研究。受到大气条件和传感器自身因素的制约,虽然经过严格的预处理,时序NDVI数据集仍包含很多噪声,影响其进一步的应用。首先介绍了近几年来普遍使用的6种时序NDVI数据集的重建方法：改进的最佳指数斜率提取法、均值迭代滤波法、Savitzky-Golay滤波法、傅立叶变换法、非对称高斯函数拟合法和时间序列谐波分析法 |然后采用这几种方法对张掖地区2007年和2008年10 d最大值合成的SPOT/VEGETATION的时序NDVI数据进行了重建,对重建结果进行了比较和评价 |最后对人为的噪声序列进行重建,对重建结果的优缺点进行评价。     

基于随机性分析的虚假趋势时间序列判别

针对符合一定数据模式或规律的虚假数据识别问题，提出一种基于随机性分析的虚假趋势时间序列判别方法。该方法在分析时间序列组成的基础上，首先探索虚假趋势时间序列的简单伪造和复杂伪造方式，并将其分解为虚假趋势和虚假随机两部分；然后通过基函数逼近进行时间序列虚假趋势部分的提取，采用随机性理论开展虚假随机部分的分析；最终借助单比特频数和块内频数对虚假随机部分是否具备随机性进行检测，为具有一定趋势特征的虚假时间序列的判别提供了一个解决方案。实验结果表明：该方法能够有效地分解虚假时间序列和提取虚假趋势部分，实现简单伪造数据和复杂伪造数据的判别，支持对通过观测手段或者检测设备所获取的数值型数据的真伪分析，进一步提高了虚假数据可判别范围，平均判别正确率可达74.7%。     

基于时间序列相似搜索和粗糙集的数据挖掘研究

提出了一种能够对含有时间序列数据的数据库信息进行数据挖掘的方法。首先使用时间序列相似搜索方法对其中的时间序列数据进行模式发现，然后将时间序列数据转化为离散型数值，进一步使用粗糙集理论进行数据约简和规则提取。通过使用这种方法能够对含有时序数据的信息进行充分的挖掘并发现其中的规律。     

基于RBF时间序列预测器的传感器故障诊断方法研究

研究了一种基于径向基函数(RBF)神经网络时间序列预测器诊断传感器故障的方法.以压力传感器的过载故障为模型,先用RBF神经网络建立时间序列预测模型,然后利用预测模型对传感器的输出作预测,再和传感器实际输出比较,从而判断传感器是否发生故障,并对发生故障的传感器进行数据重构.仿真实验证实了该方法可以有效地进行传感器故障诊断和数据重构,并可推广到其他传感器中.     

采用分段特征表示的异常序列检测算法

时间序列的有监督异常检测方法通常依赖于数据的标签，不仅会消耗大量时间进行数据标注，而且难以适用于无法给定标签的数据集。为解决异常序列检测中的标注问题，提出一种采用分段特征表示的异常序列检测方法。该方法采用分段聚合思想对时间序列进行标准化计算，并得到时序数据的特征表示，可提高无标签时间序列异常检测的可靠性。将表示后的特征划分为异常序列相关特征和无关特征，剪枝异常序列无关特征，可减少这些特征对检测结果的不利影响。为有效量化不同序列之间的差异性，提出一种面向时间权重分析的时间序列相似性度量方法，并构建时间序列的相似度矩阵，用于计算序列之间的相似度，可适用于无标签的时间序列中。在此基础上，根据相似度矩阵来计算每个子序列的异常分数，将其用于异常子序列的判定。通过合成数据集和真实数据集的实验对比表明：该方法节省了计算开销，提高了算法运行的时间效率和异常序列检测的准确率。     

基于矢量空间重构的网络流量预测算法

客户机与服务器之间存在数据存储隐通道,对该通道的网络流量进行准确预测可避免网络拥堵,提高网络流量的调度和管理能力。传统方法采用线性时间序列分析方法进行网络流量预测,没有准确反映流量序列的非线性特征信息,预测精度不高。提出一种基于非线性时间序列分析和矢量空间重构的网络流量预测算法。进行相位随机化处理,使得网络流量数据离散解析化,把网络流量时间序列解析模型分解为含有多个非线性成分的统计量。采用自相关函数法求得矢量空间重构的时间延迟,采用互信息最小嵌入维算法求得网络流量序列的矢量空间嵌入维,实现流量序列的矢量空间重构。在高维矢量空间中,提取网络流量的高阶谱特征,实现网络流量的准确预测。仿真结果表明,采用该算法能有效拟合流量序列的非线性状态特征,对流量状态变化的动态跟踪性能较好,其预测误差比传统方法的低。     

新的采用球面杂交的克隆选择算法*

针对传统克隆选择算法的不足,提出了一个基于球面杂交的新型克隆选择算法。在该算法的每次迭代过程中,动态地计算出每个抗体的变异概率,根据抗体的亲和度将抗体种群动态分为记忆单元和一般抗体单元,并以球面杂交方式对种群进行调整,从而加快了算法的全局搜索速度。实例验证了所提算法的有效性、可行性。     

一种互信息梯度不变的非线性特征提取方法*

针对线性的互信息特征提取方法,通过研究互信息梯度在核空间中的线性不变性,提出一种快速、高效的非线性特征提取方法。该方法采用互信息二次熵快速算法及梯度上升的寻优策略,提取有判别能力的非线性高阶统计量;在计算时避免传统非线性特征提取中的特征值分解运算,有效降低计算量。通过UCT数据的投影和分类实验表明,该方法无论在投影空间的可分性上,还是在算法时间复杂度上,都明显优于传统算法。     

一种新的非线性时间序列的聚类方法

由于现实世界中时间序列多数是非线性的,而现有的时间序列聚类问题大多是基于线性时间序列模型进行聚类的,提出了可以用于非线性时间序列的聚类方法。它基于KS二维检验统计量提出KS2D距离度量,是一种非参数的鲁棒性强的距离度量方式,它将时间序列的非线性相关结构放到距离度量之中,能够粗糙地识别时间序列形状和动态相关结构的相似性。与理论研究结果相一致,模拟实验结果也验证了这种距离度量的有效性。     

基于条件互信息的多维时间序列图模型

在多维时间序列的图模型中引入信息论方法, 提出了多维时间序列中各分量之间直接线性联系存在性的互信息检验．定义了线性条件互信息图, 图中的结点表示多维时间序列的分量, 结点间的边表示各分量之间存在的直接线性相依关系．提出了分量之间条件线性联系存在性的信息论检验方法．图中边的存在性用基于线性条件互信息的统计量检验, 统计量的显著性用置换检验决定．应用到实例中的结果表明本文的方法能迅速准确的捕捉各分量之间的直接线性联系.     

基于定量递归联合熵特征重构的缓冲区流量预测算法

对网络基站缓冲区的短时网络流量的准确预测是缓解和控制拥堵的关键.基站缓冲区的短时网络流量时间序列具有非线性混沌特征,其自相关特性较弱,而传统方法采用线性时间序列分析方法没能有效挖掘流量序列的非线性特征信息,流量序列预测性能不好.提出了一种基于非线性时间序列分析的定量递归联合熵特征重构网络基站缓冲区的短时网络流量预测算法,该算法提取流量序列的定量递归联合熵特征,并对特征序列进行相空间重构;把网络流量信号模型进行高维映射,在高维相空间对短时网络流量序列进行定量递归分析;采用自相关特征奇异分解对流量序列进行聚合后的线性叠加,采用平均互信息算法和虚假最近邻点算法计算最佳时延参数和最小嵌入维;进行插值拟合形成时频分析特征分流控制,实现对网络流量的预测.仿真结果表明,该算法预测精度较高,稳定性较好,预测偏差较传统方法低,具有较好的应用价值.     

A smoothed bootstrap test for independence based on mutual information

A test for independence of multivariate time series based on the mutual information measure is proposed. First of all, a test for independence between two variables based on i.i.d. (time-independent) data is constructed and is then extended to incorporate higher dimensions and strictly stationary time series data. The smoothed bootstrap method is used to estimate the null distribution of mutual information. The experimental results reveal that the proposed smoothed bootstrap test performs better than the existing tests and can achieve high powers even for moderate dependence structures. Finally, the proposed test is applied to assess the actual independence of components obtained from independent component analysis (ICA).     

海杂波的非线性测试

时间序列的非线性检测对于非线性时间序列分析、混沌特性研究有着重要意义。讨论了时间序列的几种非线性检测方法,将代理数据产生方法中的IAAFT方法与冗余方法结合起来,对实测海杂波数据进行非线性检测。对测试结果进行分析,表明海杂波是由非线性系统产生的,应该采用非线性处理方法研究海杂波。     

交通流序列的Volterra自适应预测

基于混沌动力系统的相空间重构和非线性系统的Volterra级数,构建交通流的Volterra自适应预测模型.在应用小数据量法判定交通流存在混沌特性的前提下,分别用平均互信息法和虚假邻点法选取延滞时间和嵌入维数以实现对交通流时间序列的相空间重构.通过Volterra级数展开式建立非线性预测模型,采用LMS自适应算法实时调...     

窗宽窗位对基于互信息的医学图像配准的影响

基于互信息的配准方法具有自动化程度高、配准精度高等优点,近来已成为医学图像处理领域的热点。基于互信息的配准方法实质上是一种对灰度进行统计和计算的方法,同一图像采用不同的窗宽窗位表示必然会影响配准结果。该文在分析窗宽窗位对图像质量的影响和基于互信息配准方法的影响的基础上,进行一系列的医学图像配准试验。在分析配准结果的基础上,给出基于互信息的配准方法所采用的合理窗宽窗位的建议。