Cryptocurrency Market Consolidation in 2020--2021
研究了币安上市的80种流动性最强的加密货币的价格回报的时间序列，以确定是否存在去趋势交叉相关性。的去趋势相关矩阵的频谱分析和基于此矩阵计算的最小生成树的拓扑分析应用于移动窗口的不同位置。加密货币之间的交叉相关性比以前更强。在特定的时间尺度上，平均互相关随时间增加，其方式类似于从过去到现在的Epps效应放大。最小生成树也改变了它们的拓扑结构，在短时间尺度上，它们随着最大节点度的增加而变得更加集中，而在长时间尺度上，它们变得更加分散，同时也更加相关。除了市场间的依赖关系外，还分析了加密货币市场与一些传统市场（如股票市场、商品市场和外汇市场）之间的去趋势交叉相关性。在相同的动荡时期，加密货币市场与其他市场表现出更高水平的交叉相关性，其中它本身具有很强的交叉相关性。
2021-12-13 physics.data-an q-fin.ST stat.AP
Effect of Trends on Detrended Fluctuation Analysis
去趋势波动分析（DFA）是一种尺度分析方法，用于估计噪声信号中的长程幂律相关指数。实际系统中的许多噪声信号显示趋势，使得从DFA方法获得的缩放结果变得难以分析。我们系统地研究了三种类型的趋势-线性，周期性和幂律趋势的影响，并提供了这些趋势可能发生在真实数据中的例子。我们比较了人工生成的相关噪声和具有趋势的相关噪声的缩放结果之间的差异，并研究趋势如何导致缩放行为中出现交叉。我们发现，交叉的结果之间的竞争缩放的噪声和“明显”缩放的趋势。我们研究了这些交叉的特性如何取决于（i）线性趋势的斜率;（ii）周期趋势的振幅和周期;（iii）幂律趋势的振幅和功率;（iv）噪声的长度以及相关性。令人惊讶的是，我们发现，在有趋势的噪声信号的缩放中的交叉也遵循缩放律-即交叉的位置对趋势的参数的长程幂律依赖性。我们表明，DFA结果的噪声与趋势，可以准确地确定由叠加的DFA的单独结果的噪声和趋势，假设噪声和趋势不相关。如果不遵循该叠加规则，则表明噪声和叠加趋势不是独立的，因此去除趋势可能导致噪声的相关特性发生变化。
2001-05-14 cond-mat.stat-mech physics.bio-ph physics.data-an
Probabilistic properties of detrended fluctuation analysis for Gaussian processes
去趋势波动分析（DFA）是检测时间序列长期相关性的最常用工具之一。虽然DFA已经发现了许多有趣的应用程序，并已被证明是最好的性能去趋势方法之一，其概率基础仍然不清楚。本文研究了高斯过程DFA的概率性质。主要关注的是去趋势过程的误差平方和的分布。这使我们能够找到一般形式的高斯过程的DFA的波动函数的期望值和方差。所得结果可作为分析波动和相关参数的基于DFA的估计的统计性质的起点。所得到的理论公式的支持，具有短期和长期记忆行为的特定高斯过程的数值模拟。
2018-11-27 cond-mat.soft cond-mat.stat-mech math.ST
Multifractal temporally weighted detrended partial cross-correlation analysis to quantify intrinsic power-law cross-correlation of two non-stationary time series affected by common external factors
在复杂的自然和社会系统中，当两个互相关的时间序列受到共同因素的强烈影响时，如果不考虑这些共同因素，采用多重分形去趋势互相关分析（MF-DXA），结果会产生偏差。基于本课题组提出的多重分形时间加权去趋势互相关分析（MF-TWXDFA）和Qian等人提出的多重分形部分互相关分析（MF-DPXA），本文提出了一种新的方法-多重分形时间加权去趋势部分互相关分析（MF-TWDPCCA），用于量化两个受共同外部因素影响的非平稳时间序列的内在幂律互相关。我们使用MF-TWDPCCA来表征两个同时记录的时间序列之间的内在互相关，通过去除其他潜在的时间序列的影响。为了测试MF-TWDPCCA的性能，我们将其与MF-TWXDFA和MF-DPXA一起应用于模拟系列。人工模拟序列的数值试验表明，MF-TWDPCCA可以准确地检测两个同时记录的序列的内在互相关。为了进一步说明MF-TWDPCCA的实用性，我们将其应用于股票市场的时间序列，发现股票收益率之间存在显着的多重分形幂律互相关。定义了一种新的偏互相关系数来量化两个时间序列之间的内在互相关程度。
2020-05-31 physics.data-an physics.soc-ph q-fin.ST
Detrended partial cross-correlation analysis of two nonstationary time series influenced by common external forces
在复杂的自然或社会系统中，当两个幂律互相关的时间序列受到共同因素的强烈影响时，如果不考虑这些共同因素，采用经典的去趋势互相关分析（DCCA）会使分析结果产生偏差。我们使用去趋势偏互相关分析（DPXA），以揭示内在的幂律互相关两个同时记录的时间序列在非平稳性的存在下，消除其他时间序列作为共同的力量的影响。DPXA方法是考虑到偏相关分析的去趋势互相关分析的推广。我们证明了该方法通过使用二元分数布朗运动污染的分数布朗运动。我们发现，DPXA是能够恢复的分析交叉赫斯特指数，因此，多尺度DPXA系数是一个可行的替代传统的互相关系数。通过分析污染的二元分数布朗运动，我们证明了DPXA系数比DCCA系数的优势。我们计算DPXA系数，并使用它们来提取原油和黄金期货之间的内在交叉相关性，同时考虑到美元指数的影响。为了推广DPXA方法并研究多重分形时间序列，我们发展了多重分形DPXA方法（MF-DPXA）。我们分析了强白噪声掩盖下的多重分形二项测度，发现MF-DPXA方法量化了隐藏的多重分形性质，而MF-DCCA方法失败了。
2015-04-15 physics.data-an physics.soc-ph q-fin.ST
Detrended cross-correlations and their random matrix limit: an example from the cryptocurrency market
该研究通过去趋势交叉相关分析，揭示了加密货币市场中的稳健集体模式，并提供了一种区分真实依赖关系与噪声的工具。
2025-12-06 cs.CE physics.data-an q-fin.ST
Detrended Fluctuation Analysis of Autoregressive Processes
自回归过程（AR）具有典型的短时记忆特性。去趋势波动分析（DFA）的基本目的是揭示非平稳过程中的长程相关性。然而，DFA也可以被视为一个合适的方法来研究非平稳和平稳系统中的长程和短程相关。将DFA应用于AR过程，有助于理解AR过程的非一致相关结构。利用DFA方法系统地研究了一阶自回归模型AR（1），建立了AR（1）的相互作用常数与DFA相关指数之间的关系。相互作用常数越高，短程相关指数越高。它们是指数相关的。研究扩展到AR（2）过程。除了近距离相互作用之外，远距离正相互作用的存在将增加相关指数和相关范围，而远距离负相互作用的影响将仅显着降低相互作用的范围。该分析表明，在未知DFA图中识别AR（1）模型或区分AR（1）和AR（2）模型的可能性。对1000项的中长期系列进行分析。
2007-07-10 physics.bio-ph physics.data-an
Long-term persistence and multifractality of river runoff records: Detrended fluctuation studies
我们研究了全球41个水文站的长河流流量记录的时间相关性和多重分形特性。为了检测长期的相关性和多重分形行为的趋势的存在下，我们采用几个最近开发的方法[去趋势波动分析（DFA），小波分析，多重分形DFA]，可以系统地检测和克服非平稳性的数据在所有的时间尺度。我们发现，在一定的交叉时间（通常为几周）以上，日径流量是长期相关的，其特征是一个关联函数C（s），衰减为C（s）~ s^（gamma）。指数伽玛因河流而异，范围在0.1和0.9之间。C（s）的幂律衰减对应于相关涨落函数F_2（s）~ s^H的幂律增加，其中H = 1-gamma/2。我们还发现，在大多数记录中，对于大的时间，弱多重分形发生。对于q在-10和+10之间的Renyi指数tau（q）可以拟合为非常简单的形式tau（q）= -ln（a^q+b^q）/ln 2，其中只有两个参数a和b在0和1之间，其中a+b >= 1。这种类型的多重分形是从乘法级联模式的推广。
2004-01-23 cond-mat.stat-mech physics.data-an physics.geo-ph
Scaling analysis of time series of daily prices from stock markets of transitional economies in the Western Balkans
在本文中，我们分析了西巴尔干地区发展中经济体股票市场指数（SMI）的时间序列的标度特性，并将我们获得的结果与较发达经济体的结果进行了比较。我们使用了三种不同的数据分析技术来获得和验证我们的研究结果：去趋势波动分析（DFA）方法，去趋势移动平均（DMA）方法和小波变换（WT）分析。我们在分析的所有SMI数据集中发现了缩放行为。随着股票市场所处的经济增长或成熟度的变化，我们的SMI系列的缩放从长期相关变为轻微反相关。我们还报告了存在的影响，我们已经分析的SMI数据上的潜在的类ESTA的影响。一个这样的影响是可见的，在我们所有的SMI系列，并出现在一个周期$T_{p}\approx 90$天。我们提出，SMI数据上存在的各种类似的影响，可以部分地解释所观察到的不同类型的相关行为的相应的标度函数。
2014-09-29 physics.data-an q-fin.ST
Detecting correlations and triangular arbitrage opportunities in the Forex by means of multifractal detrended cross-correlations analysis
描述了多重分形去趋势互相关方法，并将其应用于外汇市场时间序列。2010-2018年期间，世界八种主要货币的高频汇率波动被用来研究交叉相关性。这项研究的动机是复杂系统对重大环境变化的反应中的基本问题，以及投资策略中的潜在应用，包括检测三角套利机会。占主导地位的汇率之间的多尺度互相关通常发生在较小的波动水平。然而，层次组织的关系表示的树状图，一个新的应用程序的多尺度互相关系数，在大的波动更明显。交叉相关性被量化为在三角关系内绑定的那些汇率对之间的平均更强。然而，与三角关系的平均强度相比，一些来自三角关系之外的货币对被确定为异常强的相关性，这特别适用于涉及澳元和新西兰元的汇率，并反映了它们的经济关系。影响外汇的重大事件会引发三角套利机会，同时减少最小时间尺度上的交叉相关性，并破坏相关性的多尺度组织。2010年至2018年，此类事件与瑞士央行干预以及英国脱欧程序启动后英镑走软有关。该方法可适用于任何时间序列中的时间和多尺度模式检测。
2019-10-31 cs.CE econ.GN physics.data-an
Surrogate testing of volatility series from long-range correlated noise
波动率序列的去趋势波动分析（DFA）[1]被发现在识别经验样本中可能的非线性/多重分形动态方面是有用的[2-4]。长程波动相关可以是静态和动态非线性的结果。为了支持动态非线性，替代检验与波动率分析结合使用[2-4]。在这个简短的通信，替代检验的波动序列从远程相关噪声和静态，可逆的非线性变换进行了研究。使用具有高斯和非高斯新息的FARIMA（0，d，0）生成长程相关单分形噪声。我们发现，在大的时间尺度上，在FARIMA（0，d，0）与非高斯创新的情况下，经验样本和替代品之间的标度行为存在显着偏差，而在高斯创新的情况下，没有观察到这种差异。结果鼓励谨慎的解释替代测试中存在的非高斯创新。
2006-06-13 physics.data-an
Scaling and memory in recurrence intervals of Internet traffic
通过研究互联网流量速率变化的波动性超过某个阈值$q$之间的递归间隔$τ$的统计特性，我们发现字节流和分组流的概率分布函数$P_{q}(τ)$都表现出$P_{q}(τ)=\frac{1}{\overlineτ}f(\fracτ{\overlineτ})$的标度特性。字节流和数据包流的缩放函数都遵循相同的拉伸指数形式，即$f(x)=A\texttt{exp}(-Bx^β)$和$β\approx 0.45$。此外，我们检测到一个强大的记忆效应，即一个短（或长）的复发间隔往往是由另一个短（或长）。去趋势波动分析进一步证明了复发间隔中存在长期相关性。
2009-08-23 physics.data-an physics.soc-ph
Effects of coarse-graining on the scaling behavior of long-range correlated and anti-correlated signals
我们研究了各种粗粒化方法如何影响长程幂律相关和反相关信号的标度特性，通过去趋势波动分析进行量化。具体而言，对于信号幅度的粗粒化，我们考虑（i）地板，（ii）对称和（iii）中心对称粗粒化方法。我们发现，反相关信号的幅度粗粒化导致在大尺度上的随机行为的交叉，并且随着粗粒化分区间隔$Δ$的宽度的增加，这种交叉移动到中间和小尺度。相比之下，正相关信号的缩放受粗粒度化的影响较小，当$Δ<1$时没有可观察到的变化，而对于$Δ>1$，交叉出现在小尺度处，并且随着$Δ$的增加而移动到中等尺度和大尺度。对于基于地板和对称方法的非常粗糙的粗粒化（$Δ>3$），交叉的位置稳定，与中心对称方法相反，中心对称方法中交叉连续跨尺度移动并导致所有尺度上的随机行为，从而表明与地板和对称方法相比，中心对称的效果要强得多。对于粗粒度的时间，其中数据点在非重叠的时间窗口中平均，我们发现，反相关和正相关信号的缩放实际上是保留的。我们的模拟结果是有用的符号序列的相关性和标度性质的正确解释。
2010-02-19 physics.data-an
Experimental confirmation of long-memory correlations in star-wander data
该研究利用多重分形去趋势波动分析检验恒星像到达角起伏的实验数据，证实湍流退化的恒星波前符合长记忆相关单分形过程，为大气湍流效应建模及自适应光学领域提供支撑。
2014-06-30 physics.ao-ph physics.data-an physics.optics
Finite sample properties of power-law cross-correlations estimators
我们研究了幂律互相关估计的有限样本性质-去趋势互相关分析（DCCA），高度互相关分析（HXA）和去趋势移动平均互相关分析（DMCA）-特别关注短期记忆偏差以及幂律一致性。提出了广泛的蒙特卡罗模拟研究的重点是不同的时间序列长度，具体方法的参数设置，记忆强度。我们发现，每种方法都最适合不同的时间序列动态，因此这三种方法之间没有明确的赢家。然后，应根据所分析系列的观测动态特性进行方法选择。
2014-09-24 physics.data-an q-fin.ST
Scaling of Seismic Memory with Earthquake Size
已经观察到地震事件具有短期记忆，即在特定位置发生的事件取决于该位置的短历史。我们进行了分析，看看是否实时地震数据也具有长期记忆，如果是这样的话，这种自相关性是否取决于地震的大小在密切的时空接近。我们分析了日本64个台站记录的地震波形数据库，其中包括2011年的“东日本大地震”，这是有史以来五次最强烈的地震之一，导致了海啸和毁灭性的核事故。我们通过使用平均条件间隔和去趋势波动分析（DFA）来探讨地震记忆问题。我们发现波形符号序列表现出长程幂律相关性，而间隔序列表现出长程幂律相关性。我们发现地震自相关性具有尺度依赖性-随着地震尺度的增大，这两种自相关行为都增强。DFA标度指数$α$与震源深度和震中距无关。
2011-10-18 physics.data-an physics.geo-ph
Comparing the performance of FA, DFA and DMA using different synthetic long-range correlated time series
尽管显着的努力，开发估计的长期相关性（LRC），并比较其性能，没有明确的共识存在什么是最好的方法，在何种条件下。此外，合成测试表明，LRC估计的性能不同时，使用不同的生成器的LRC时间序列。在这里，我们比较了四种估计量的性能[波动分析（FA），去趋势波动分析（DFA），向后去趋势移动平均线（BDMA）和中心去趋势移动平均线（CDMA）]。我们使用三种不同的生成器[分数高斯噪声和两种生成分数布朗运动的方法]。我们发现，CDMA有最好的性能和DFA只是在某些情况下稍差，而FA表现最差。此外，CDMA和DFA比FA对缩放范围不太敏感。因此，CDMA和DFA仍然是确定时间序列Hurst指数的“首选方法”。
2012-08-18 physics.data-an physics.soc-ph q-fin.ST
Long-range memory and multifractality in gold markets
研究了世界两大黄金消费国中国和印度黄金市场时间序列的长期相关性和波动性。对于1985-2013年期间的两个市场系列，我们在固定长度的连续时间窗口中观察到收益率最大值（最小值）序列的长期持久性记忆，但发现该系列作为一个整体是不相关的。用多重分形去趋势波动分析（MF-DFA）方法对这些序列以及极大值（极小值）序列进行了多重分形分析。我们观察到一个弱的多重分形结构的原始序列，这主要是源于厚尾概率分布函数的值，和多重分形性质的原始时间序列丰富到他们的序列的最大（最小）收益。通过使用一组“复杂性参数”提供了多重分形的定量度量。
2015-05-17 physics.data-an physics.soc-ph q-fin.ST
Correlated power time series of individual wind turbines: A data driven model approach
风电场可以被视为复杂的系统，一方面，耦合到天气的非线性，随机特性，另一方面，强烈的监督控制机制的影响。在这种情况下，今天的一个关键问题是风能作为一种间歇性可再生资源的可预测性，具有额外的非稳态性质。在这种情况下，我们分析了在海上风电场测量的功率时间序列的时间分辨率为10分钟的总周期为一年。应用去趋势波动分析，我们的特征功率时间序列的自相关性，并找到一个赫斯特指数在持续的制度与交叉行为。为了丰富复杂大型风能系统的建模视角，本文建立了功率时间序列的随机简化模型。所观察到的两个主要发电阶段之间的过渡反映了一个不确定的组件，而相关的随机波动占所确定的持久性。该模型成功地再现了一些经验特性，如自相关函数和双峰概率密度函数。
2021-01-21 physics.app-ph physics.data-an stat.AP
Application of Multifractal Measures to Tehran Price Index
我们报告的德黑兰价格指数（TEPIX）的实证研究。为了分析我们的数据，我们使用各种方法，如，重新标度范围分析（$R/S$），修改的重新标度范围分析（Lo的方法），去趋势波动分析（DFA）和广义赫斯特指数分析。根据数值计算结果，确定了TEPIX收益率的标度范围，考察了该市场的长记忆效应或长程相关性，导出了TEPIX收益率概率分布函数的特征指数，确定了德黑兰证券交易所的发展阶段。
2004-12-11 physics.data-an q-fin.ST
Limits of memory coefficient in measuring correlated bursts
自然现象和社会现象的事件序列中的时间不均匀性已被描述为事件间隔时间和事件间隔时间之间的相关性。事件间隔时间的不均匀性已经被广泛研究，而事件间隔时间之间的相关性，通常称为相关爆发，还远未被完全理解。为了测量相关的爆发，提出了两种相关的方法，即，记忆系数和突发大小分布。这里，突发大小表示针对给定时间窗口检测到的突发训练中的事件的数量。经验分析表明，较大的记忆系数往往与较重的尾部的突发规模分布。特别是，在人类活动的实证研究结果似乎不一致，如记忆系数接近$0$，而突发大小分布遵循幂律。为了理解这些意见，通过假设连续的间隔时间之间的条件独立性，我们推导出的记忆系数的解析形式作为描述间隔时间和突发大小分布的参数的函数。我们的分析结果可以解释较大的记忆系数与爆发大小分布较重的尾部相关的总体趋势。我们还发现，人类活动中明显不一致的观测是相互兼容的，这表明记忆系数在测量相关爆发时存在局限性。
2018-03-03 physics.data-an physics.soc-ph
How much multifractality is included in monofractal signals?
我们研究了由于信号的有限长度和（或）由于信号揭示的长记忆性而出现的单分形信号的残余多重分形背景的存在。人工生成的时间序列的多重分形消除趋势波动分析（MF-DFA）中，这一现象进行了研究。接下来，分析公式，使描述在这样的信号中的多重分形内容提供。最后的结果显示在常用的广义Hurst指数h（q）多重分形的情况下，并作为时间序列长度L和自相关指数值γ的函数。本文还讨论了多重分形谱（α，f（α））方法。所得到的结果在多重分形的任何实际应用中，包括金融数据分析，可能是有意义的，因为“真正的”多重分形效应应该从所谓的“多重分形噪声”清楚地分离。在这方面的例子，从金融。所提供的公式可以帮助我们决定是否处理真正的多重分形起源的信号。
2011-09-25 physics.comp-ph physics.data-an q-fin.GN
Advanced Data Analysis of Spontaneous Biophoton Emission: A Multi-Method Approach
针对超弱生物光子发射信号难区分生物相关特征与随机、仪器干扰的问题，本研究构建融合多类熵、分形分析等方法的综合分析流程并完成基准验证，为后续UPE研究提供可靠方法支撑。
2025-11-14 nlin.AO physics.bio-ph physics.data-an
Turbulence-induced persistence in laser beam wandering
实验证实了高斯光束在湍流介质中传播后在屏幕上的漂移存在长记忆关联。进行了实验室控制的实验中，激光束的坐标波动记录在一个足够高的采样率为广泛的湍流条件。随后通过实施去趋势波动分析来分析激光束质心的水平和垂直位移。这是一个非常著名和广泛使用的方法来揭示时间序列的记忆效应。从这个实验分析得到的结果使我们能够确认，这两个坐标表现为强湍流强度的高度持久的信号。这一发现对于更好地理解和模拟自由空间光通信系统中的湍流效应以及与大气中光信号传播相关的其他应用是相关的。
2015-07-06 physics.ao-ph physics.data-an physics.optics
Spectral density of correlated random matrices and nonmonotonic stability in hetero-associative memory networks
Graduate School of Informatics, Kyoto University（京都大学情报学研究科）
本文推导了统一Marchenko-Pastur律和椭圆律的相关随机矩阵谱密度，并将其应用于异联想记忆网络，发现网络稳定性随记忆模式数量呈非单调变化。
2026-05-25 cond-mat.dis-nn physics.data-an
Quantitative features of multifractal subtleties in time series
基于多重分形去趋势波动分析（MFDFA）和小波变换模极大值（WTMM）方法，我们研究了时间序列中多重分形性的起源。序列波动根据qGaussian分布，不相关和相关的时间，使用。对于在高斯吸引域和Levy吸引域之间的边界（q=5/3）处的不相关序列，我们发现了单分形和双分形特征之间的类相过渡。这表明，这些可能只是特定的非线性时间相关性，组织成一个真正的多重分形层次的系列。为了分析多重分形的各种功能，由于这种相关性，我们使用的模型系列产生的二项式级联以及经验系列。然后，在发达的幂律相关性的时间范围内，我们发现在所有的多重分形措施的快速收敛。除了它的实际意义外，这一事实还可能反映了一个严格的q-广义中心极限定理的另一种表现形式。
2010-02-03 nlin.CD physics.data-an q-fin.ST
Matching of signal, noise and hardware timescales for filtering and forecasting of correlated noise signals
Loughborough University（拉夫堡大学）
本文通过纳米多孔氧化铌储备池，研究噪声相关时间、储备池记忆与预测范围的关系，提出时间尺度匹配指导物理储备池架构，实现相关噪声的滤波与预测。
2026-10-08 cond-mat.dis-nn cs.LG physics.app-ph
On the multifractal effects generated by monofractal signals
定量研究了多重分形消除趋势波动分析（MF-DFA）中时间序列多重分形现象分析时可能遇到的虚假多重分形信号的水平。所研究的效果出现作为有限长度的使用的数据系列的结果，并通过数据最终可能包含的长期记忆被放大。我们提供了详细的定量描述，这种明显的多重分形背景信号作为一个阈值的广义赫斯特指数值$Δh$或阈值的宽度的多重分形谱$Δα$低于该系统的多重分形属性是唯一明显的，即不存在，尽管$Δα\neq0$或$Δh\neq 0$。我们发现这种效应对于较短或持续的序列非常重要，我们认为它与自相关指数$γ$是线性的。其强度随时间序列长度的增加按幂律衰减。本文还研究了初始数据在不同长记忆水平下的基本线性和非线性变换的影响。这提供了额外的一组半分析结果。所得到的公式是重要的多重分形的任何跨学科的应用，包括物理学，金融数据分析或生理学，因为它们允许分离的“真正的”多重分形现象从明显的（人工）多重分形效应。他们应该是一个有用的工具的第一选择，以决定我们是否在特定情况下与真正的多尺度特性的信号或没有。
2013-08-24 physics.data-an q-fin.ST
Model selection for identifying power-law scaling
大量的研究报告了长期的时空相关性。特别是幂律缩放在神经活动引起了相当大的兴趣。我们在这里提供了一个简单的算法，不仅量化幂律缩放，但测试它对替代品使用（贝叶斯）模型比较。我们的算法建立在完善的去趋势波动分析（DFA）。在去除信号的趋势之后，我们确定其在连续间隔中的均方波动。与DFA相反，我们使用每个区间的值来近似这些均方波动的分布。这允许估计相应的对数似然作为区间大小的函数，而不假设波动是正态分布的，就像在传统DFA中的情况一样。我们证明了我们的算法的有效性和鲁棒性，使用各种模拟信号，范围从无标度波动与已知的赫斯特指数，通过更传统的动力学系统类似指数相关的波动，玩具模型的神经质量活动。我们还说明了它的使用脑电图信号。我们进一步讨论混杂因素，如有限的信号大小。我们的模型比较提供了一个适当的手段来识别幂律缩放，包括它存在的范围。
2015-12-08 physics.data-an q-bio.QM
