时间序列中的多重分形分析

讨论了多重分形在时间序列分析中的应用，并分别针对一些噪声序列、受干扰信号序列，计算了其多重分形广义维数，试图探索一种新的方法，为时间序列的分析提供新的依据。在信号处理中，尤其在雷达信号处理中有很好的应用前景。     

交通流时间序列的多重分形分析

为研究交通流时间序列的分形特征,计算实测交通流量序列的多重分形谱,结果表明交通流序列的分形谱线为端点左高右低,且顶点左偏的曲线,说明序列的分形结构是不规则的,交通流量处于最大值的次数大于处于最小值的次数。比较不同统计间隔的交通流序列的多重分形谱,结果表明随着标度增大,分形谱宽度增加,但离差始终大于零,说明较大统计间隔的交通流序列的奇异性较强。     

快速路交通流时间序列的多重分形分析

采用多重分形消除趋势波动分析法研究城市快速路交通流的多重分形特征。首先,计算和比较了实测的流量和速度序列的广义hurst指数,结果表明：流量序列和速度序列均呈现多重分形,且流量序列的波动程度强于速度序列。然后,对两种序列的重排序列的计算结果显示,重排序列的广义hurst指数远小于原序列且不为0.5,说明交通流的多重分形特征主要由序列的长程相关性决定,同时与概率分布有关。     

基于多重分形的医学图像边沿分析

本文提出了应用在医疗诊断上的一种基于多重分形分析的边缘检测方法,并应用在变形性骨炎的诊断中,该方法通过定义在图像灰度级上的测度,计算图像中每一个像素点的奇异性和它的多重分形谱,然后根据多重分形谱,提取图像的边缘信息.经试验表明,该算法具有良好的边缘检测效果,而且与传统方法相比具有更好的局部性.并且在医疗诊断中有广泛的应用前景.     

空间目标RCS序列的多重分形分析

分析了空间目标RCS序列产生混沌的机理,将非线性理论中的多重分形分析法引入空间目标RCS序列的研究中,用多重分形分析法分析了空间目标RCS序列的混沌特性;实测数据计算结果表明,与旋转目标相比,三轴稳定目标RCS序列较复杂,这与实际分析的情况相符合,证明了该方法的有效性;另外,还证明了空间目标RCS序列服从多重分形分布。     

一种复合高维时间序列相似性搜索方法

用浮动搜索算法对时间序列进行特征选择得到低维特征参数,采用WSTB方法实现对高维时序的相似性搜索。首先用浮动搜常算法对高维时间序列降维处理,得到特征参数后进行样本线性分段,建立时序曲线箱和相应索引。其次对样本序列和相似距离进行快速计算,不用逐个检查子序列箱的内容就进行快速索引。最后还验证了该疗法的通用性和有效性。     

蛋白质序列中的多重分形分析

采用多重分形谱对蛋白质序列进行分析。按照SCOP分类法,从PDB中选取三条同属于类的分维相近的蛋白质序列,利用多重分形分别对蛋白质空间距离以及序列中氨基酸的极性、体积的复杂性进行比较。实验结果表明,多重分形的奇异谱函数比简单的分形维数能提供更多的信息,克服了分形维数相同情况下,精细结构无法区分的困难,分析结果能够更加准确地描述个体之间的差异。     

一种基于信息熵的时间序列分段线性表示方法

针对部分时间序列具有高维、大数据量及数据更新速度较快的特点, 导致在原始时间序列上难以进行数据挖掘的问题, 提出一种基于信息熵的时间序列分段线性表示方法——PLR_IE。该算法利用信息熵作为评判重要点数量的性能指标, 从序列中提取重要分段点的数量分布情况, 利用重要点组成的序列重新拟合原始时间序列, 为下一步数据挖掘提供基础。实验结果表明, 该方法能高效地提取出序列主要特征、拟合原始序列。     

一种新的不确定性时间序列概率相似查找方法

针对传统的数据管理中的数据表示、存储与索引、查询与挖掘等所有技术, 不能直接应用于不确定性时间序列数据的相似性查找的不足. 研究了可用于不确定性时间序列数据的降维表示、索引与剪枝、查找等理论与技术, 针对不确定性时间序列数据结构的复杂性, 首次给出了不确定性时间序列上的概率最近邻的定义; 将不确定性时间序列进行了PLA降维, 转换到PLA空间, 并提出了三个引理, 用以加速查找效率; 基于该三个引理, 提出了概率K最近邻查找算法PKNNS. 通过实验, 验证了PKNNS算法的有效性和效率.     

改进的基于重要点的时间序列数据分段方法

时间序列数据是日常生活中十分常见的一类数据,由于它具有维数高,数据量大的特点,对这类数据进行压缩表示,是进一步进行数据挖掘的前提。首先将基于重要点的表示方法与其他几种表示方法进行了比较,然后对基于重要点的表示方法进行了改进,采用优先级队列作为辅助,在用户可以指定的压缩比例下,选出重要点。实验证明,该方法取得了良好的效果。     

马尔科夫模型改进的时间序列预测算法研究

时间序列的传统预测方法能够很好地拟合和预测平稳时间序列,对于非线性非平稳的时间序列数据预测效果不好。为解决该问题,文本提出一种改进的预测算法。通过小波分解和单边重构,原始时间序列被分解为一列低频数据和两列高频数据。低频数据采用传统的时间序列方法 GARCH模型预测,高频数据使用改进方法预测。通过马尔科夫模型预测出状态区间,结合指数平滑法,预测出高频结果。与低频数据结果叠加得到最终预测结果。经误差比较,改进算法预测精度有较大提升。     

心室纤颤和心动过速的多重分形分析

基于多重分形分析对心动过速（VT）与心宣纤颤（VF）进行了研究。通过直接计算,（a）奇异谱的方法,计算出VF和VT信号的奇异谱。发现这两种信号奇异谱曲线所包含的面积存在较大差异,并且在大多数情况下VF信号的奇异谱曲线面积大于VT信号。本文用奇异谱曲线面积作为区分VF和VT的一个判据。实验证实该判据可有效区分VF和VT。     

时间序列数据分析与预处理

时间序列分析中常常遇到的一个问题是如何有效地过滤噪音和约简数据。本文通过修改传统的离散的傅立叶变换来过滤噪音和进行数据的约简，并尽可能保留原始时间序列的全局变化趋势。为检验该方法的有效性，本文同时提出一个新颖的数据分类算法MCC，并用该算法对股票回报率的变化进行预测，实验结果显示，用MCC算法在预处理后的数据上进行预测，其预测的命中率达到63．68％，而在原始数据上进行预测，其预测的命中率只有48．98％。显然，通过对原始数据进行噪音过滤有效地改善了预测的精度。另外，数据的约简也提高了预测算法的效率。     

时间序列相似模式的有效匹配

将经验模式分解和多层前向网络的交叉覆盖算法相结合,提出一种时间序列相似模式的匹配算法.先利用经验模式分解实现时问序列趋势的提取,再把所有的趋势序列分成训练集和测试集2个部分.通过训练为每个类别做出描述,根据测试集中的每个趋势序列和覆盖中心之间的距离把它们分配到与之最匹配的类别中.实验结果表明:该算法是一种较理想的序列模式匹配方法,更擅长于维数较高的序列的匹配.     

非线性时间序列分析的关键技术及其应用研究

非线性时间序列分析是近几年发展起来的一个崭新的研究领域,在物理、生物、地理、医学、经济等领域具有广泛的应用前景。文章介绍了时间序列分析的线性和非线性分析方法各自的特点,由于非线性时间序列分析是个比较新的领域,该文对非线性处理技术进行了初步探讨,阐述了其研究意义,分析了其关键技术、应用前景等。最后讨论了在这一新的研究领域中值得注意的几个问题。     

模糊神经网络及其在时间序列分析中的应用

给出了一种新型的模糊神经网络模型.该模型不需要领域专家的知识进行指导,而是通过对样本竞争分类产生模糊规则.每类样本对应于一条模糊规则,每条模糊规则的后件部分为一个对本类样本进行过学习训练的神经网络.文章以模糊神经网络在时间序列分析中的应用为例,通过与传统的时间序列分析方法以及前向神经网络方法的对比,说明了新型模糊神经网络的有效性.     

生物医学信号时间属性及其分析研究的进展

与宇宙随着时间膨胀和大自然随着时间演化一样,表征生命体征的生物医学信号同样有很强的时效性,它随着时间不断地在变化着.因此,常用具有时间概念的时间序列信号来描述与分析.很久以来,借助各种传感器和电子测量仪器获取各种类型的生理时间序列信号,对其进行传统的方法分析与处理,同时认为生理系统为平稳的线性系统,进行时域、频域、时频变换分析以及统计学处理.人体(或高级动物)的生理系统是自然界中最复杂的系统.在对人体生物医学信号进行非线性动力学分析时,对时间属性的研究即是对时间复杂度参数(如熵值等)的研究.熵在增大,所有活体系都在耗散,现在研究的是远离平衡、非线性耗散系统中,时间上不可逆的动态演化.显然,在人们熟知的“生物钟”周期中,机体的生理状态每时每刻都不同,不同周期里的状态也各不相同,则通过非线性动力学分析表征生命体征的复杂度参数也各不相同.生物医学信号时间序列的非性线分析除了混沌分析、幂律分析、多重分形、熵分析等方法外,近期有学者对时间序列进行时间不可逆性分析,以期进一步揭示生命活动的非线性动力学系统本质.自然变更、生物进化、社会发展等都是无序的、不可逆的过程,研究其不可逆性正在引起空间、时间和动力学概念上的巨大变化.因此,序列的时间不可逆性分析提供了一种分析非线性动力学系统的新思路.     

基于时间序列的趋势性分析及其预测算法研究

文章通过时间序列分析研究,提出了基于时间序列的趋势性分析3类算法和随机性分析12类预测算法,以该算法实现的数据挖掘系统,经实际应用后其效果很好。因此,该算法在国民经济应用领域中具有较高的理论和实用价值。