差异区域平衡法探索时间序列变化的因果关系

针对探索时间序列之间随时间变化的因果关系问题,在每个窗口进行Granger因果检测的滑动时间窗口方法是求解该问题的常用方法,但其性能对窗宽敏感,不合适的窗宽很可能导致低性能。该文提出一种差异区域平衡方法,首先计算当前滑动窗口W内序列的波动程度Sw并作为波动界,计算窗口W的前向相邻区域U内序列的波动程度Su。然后,实施前向探索策略:若Su未超过Sw,则实施不同长度区域的平衡检测方案,即对窗口W、对窗口W与U的合并区域、对窗口W与后向相邻区域V的合并区域这3种不同长度的差异区域,分别进行时间序列之间因果关系的检测;若Su超过Sw,则实施上述平衡检测方案时,其中区域U和V的长度取相同值。最后,将窗口W的多次检测结果进行综合后输出。新方法将不同长度区域的结果进行综合,能够降低方法的性能对窗宽的敏感性,保障最终结果的准确性和稳定性。在1个模拟数据集和4个真实数据集上的实验结果显示,该文方法能有效地揭示出时间序列之间随时间变化的因果关系,在正确率高且性能稳定的综合性能上优于对比方法。     

面向二类区分能力的干扰熵特征选择方法

针对现有的特征选择方法对衡量不同类别数据重叠/分离能力的不足,提出了一种用于评价特征的二类区分能力的干扰熵方法（IET-CD）。对于包含两个类别（正类和负类）样本的特征,首先,计算正类数据范围内的负类样本的混合条件概率,以及负类样本归属于正类的概率;然后,由混合条件概率和归属概率计算混淆概率,再利用混淆概率计算正类干扰熵,同理,计算负类干扰熵;最后,将正、负类干扰熵之和作为该特征的二类干扰熵。干扰熵用于评价特征对二类样本的区分能力,该特征的干扰熵值小,表明该特征的二类区分能力强,反之则弱。在3个UCI数据集和1个模拟基因表达数据集上,每个方法挑选出5个最优特征,并对比了这些特征的二类区分能力,由此比较这些方法的性能。实验结果表明：所提方法与NEFS方法相比,二类区分能力相当或更好;与单索引近邻熵特征选择（SNEFS）方法、相关性最大冗余性最小特征选择（MRMR）算法、联合互信息（JMI）方法、Relief方法相比,绝大多数情况都是所提方法获胜。IET-CD方法能有效地选择二类区分能力更好的特征。     

差异区域平衡法探索时间序列变化的因果关系

针对探索时间序列之间随时间变化的因果关系问题,在每个窗口进行Granger因果检测的滑动时间窗口方法是求解该问题的常用方法,但其性能对窗宽敏感,不合适的窗宽很可能导致低性能.该文提出一种差异区域平衡方法,首先计算当前滑动窗口W内序列的波动程度Sw并作为波动界,计算窗口W的前向相邻区域U内序列的波动程度Su.然后,实施前向探索策略:若Su未超过Sw,则实施不同长度区域的平衡检测方案,即对窗口W、对窗口W与U的合并区域、对窗口W与后向相邻区域V的合并区域这3种不同长度的差异区域,分别进行时间序列之间因果关系的检测;若Su超过Sw,则实施上述平衡检测方案时,其中区域U和V的长度取相同值.最后,将窗口W的多次检测结果进行综合后输出.新方法将不同长度区域的结果进行综合,能够降低方法的性能对窗宽的敏感性,保障最终结果的准确性和稳定性.在1个模拟数据集和4个真实数据集上的实验结果显示,该文方法能有效地揭示出时间序列之间随时间变化的因果关系,在正确率高且性能稳定的综合性能上优于对比方法.