首页/论文/1407.6473

arXiv 1407.64732014-07-24nlin.CDmath.DS

关于KS熵与置换熵的关系

On the Relation of KS Entropy and Permutation Entropy

Karsten Keller, Anton M. Unakafov, Valentina A. Unakafova

发表信息：: Physica D, 241 (2012) 1477--1481
DOI：: 10.1016/j.physd.2012.05.010

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

由于Bandt等人已经证明了置换熵和Kolmogorov-Sinai熵对于分段单调区间映射是一致的，因此时间离散动力系统的两个熵之间的关系具有一定的意义。本文的目的是讨论这种关系的基础上的顺序表征最近给出的Kolmogorov-Sinai熵。

英文摘要：

Since Bandt et al. have shown that the permutation entropy and the Kolmogorov-Sinai entropy coincide for piecewise monotone interval maps, the relationship of both entropies for time-discrete dynamical systems is of a certain interest. The aim of this paper is a discussion of this relationship on the basis of an ordinal characterization of the Kolmogorov-Sinai entropy recently given.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

Kolmogorov-Sinai与置换熵的比较

An approach to comparing Kolmogorov-Sinai and permutation entropy

在本文中，我们调查的数量称为条件熵的有序模式，类似于排列熵。有序模式的条件熵描述了给定有序模式之后的有序模式的平均多样性。我们观察到，这个数量提供了一个很好的估计Kolmogorov-Sinai熵在许多情况下。特别是，条件熵的有序模式的有限顺序与Kolmogorov-Sinai熵的周期性动态和马尔可夫移位在一个二进制字母表。最后，有序模式的条件熵计算简单，因此可以很好地应用于现实世界的数据。

2015-03-09math.DSnlin.CD

对于遍历信息源和遍历动力系统，置换熵率等于度量熵率

The permutation entropy rate equals the metric entropy rate for ergodic information sources and ergodic dynamical systems

置换熵量化了随机或确定性系统可以采用的值的可能排序的多样性，因为香农熵量化了值的多样性。我们表明，度量和置换熵率-新的无序每新的观察值的措施-是相等的遍历有限字母表信息源（离散时间平稳随机过程）。有了这个结果，我们证明了这同样适用于由$n$ %维区间上的遍历映射定义的确定性动力系统。该结果推广了实数线上的分段单调区间映射的先前结果（Bandt，Keller和Pompe，“Entropy of interval maps via permutations”，\textit{Nonlinearity} \textbf{15}，1595-602，（2002）），代价是要求遍历性并且使用在两个极限的量级上不同的置换熵率的定义。非遍历有限字母表源的情况下，也进行了研究和发展的不等式。最后，当熵按通常的方式被微分熵代替时，置换熵率和度量熵率的相等性被推广到遍历非离散信源。

2005-03-21nlin.CD

置换群熵：实值过程复杂性研究的新途径

Permutation group entropy: a new route to complexity for real-valued processes

本文综述结合置换熵与群熵的复杂性新方法，将置换熵率从确定性动力学扩展至随机过程，为统一讨论混沌与随机行为提供框架。

2024-01-20math-phmath.MPnlin.CD

重新审视排列熵

Permutation entropy revisited

通过引入广义置换熵$H_p(w,L)$，它取决于两个不同的窗口长度：$w$，隐含地定义了底层分区的分辨率; $L$，扮演嵌入维的角色，类似于标准的非线性时间序列分析。$w$依赖提供了相应的不变测度的结构上的信息，而$L$依赖帮助确定柯尔莫哥洛夫-西奈熵。最后，我们调查的结构的分区与主成分分析的帮助下，发现，增加$w$，单个原子变得越来越长。

2018-12-12nlin.CD

隐马尔可夫模型中的排列复杂性与耦合测度

Permutation Complexity and Coupling Measures in Hidden Markov Models

在[Haruna，T.和Nakajima，K.，2011. Physica D 240，1370-1377]，作者引入了值（词）和序（排列）之间的对偶性，作为讨论有限字母表平稳随机过程的信息论测度与其排列类似物之间关系的基础。利用它给出了任意有限字母平稳随机过程的熵率与置换熵率相等的简单证明，并给出了有限字母平稳遍历马氏过程的过剩熵和转移熵的一些结果。在本文中，我们扩展我们以前的结果隐马尔可夫模型，并显示各种信息理论的复杂性和耦合措施和它们的置换类似物之间的平等。特别地，我们在具有遍历内部过程的隐马尔可夫模型的范围内证明了以下两个结果：转移熵的两个置换类似物，符号转移熵和秩向量上的转移熵，如果它们被认为是速率，则它们都等价于转移熵，并且有向信息理论可以通过置换熵方法来捕获。

2013-06-26cs.ITmath.ITnlin.CD

噪声对排列熵影响的数值和实验研究

Numerical and experimental study of the effects of noise on the permutation entropy

分析了噪声对动力系统置换熵的影响。我们把逻辑斯蒂映射和罗斯勒系统作为数值例子。在改变噪声强度更快，我们发现一个过渡从几乎确定性的制度，其中的排列熵增长慢于线性模式的尺寸，以噪声为主的制度，其中的排列熵增长快于线性模式的尺寸。我们通过考虑具有光反馈的半导体激光器的随机尖峰输出，对实验时间序列进行了相同的分析。由于实验条件，动态被发现总是在噪声占主导地位的政权。尽管如此，分析允许检测潜在动态的不确定性。通过比较这三个不同的例子的结果，我们讨论的可能性，确定从一个时间序列是否基本的动态是由噪声或不。

2015-03-25nlin.CDphysics.data-an

更多相关论文收起更多论文

置换过剩熵与过去与未来的互信息

Permutation Excess Entropy and Mutual Information between the Past and Future

我们解决过剩熵，这是平稳时间序列的复杂性的措施，从有序的角度来看。证明了有限状态平稳遍历马氏过程序空间中两个相邻半无限块之间的置换过剩熵等于互信息。这一结果可能为复杂性和预期之间的关系提供新的线索。

2011-12-12cs.ITmath.ITnlin.CD

图置换熵：连续情形的拓展、迈向序数深度学习的一步及更多内容

Graph Permutation Entropy: Extensions to the Continuous Case, A step towards Ordinal Deep Learning, and More

该研究提出连续版置换熵并拓展至图域，开发序数激活函数以推进序数深度学习，拓展序数对比并验证其在合成数据、MRI数据上的有效性，助力图域非线性分析方法发展。

2024-07-11nlin.CD

排列外熵：一种时间序列复杂度度量

Permutation extropy: a time series complexity measure

本文提出排列外熵作为新的时间序列复杂度度量，结合排列熵与外熵思想，经混沌映射验证，在金融及WHO数据上优于排列熵，且鲁棒、计算快、对单调非线性变换不变。

2025-02-08nlin.CDstat.AP

通过值与序之间的对偶性研究置换复杂性

Permutation Complexity via Duality between Values and Orderings

基于值与值之间的序的对偶性，研究了有限状态平稳随机过程的置换复杂性。首先，我们建立了一个固定长度的所有单词的集合和相同长度的所有排列的集合之间的对偶。其次，在此基础上，给出了有限态平稳随机过程的置换熵率与熵率相等的初等证明，[Amigo，J.M.，Kennel，M. B、科卡列夫湖，2005. Physica D 210，77-95]。第三，我们表明，进一步的信息之间的关系的结构的价值观和结构的有序的有限状态平稳随机过程超出熵率可以从建立的对偶。特别是，我们证明了置换过剩熵等于过剩熵，这是一个衡量的整体相关性存在于一个平稳的随机过程，有限状态平稳遍历马尔可夫过程。

2011-12-12cs.ITmath.ITnlin.CD

Dirichlet先验下置换熵的有效贝叶斯估计

Efficient Bayesian estimation of permutation entropy with Dirichlet priors

对于有序模式抽样服从独立多项分布的系统，提出了用贝叶斯统计方法估计排列熵的方法。它表明，PE后验分布是密切接近的标准Beta分布，其超参数可以直接估计从矩分析计算从观察到的有序模式计数。与以前使用frequentist方法得出的表达式的等价性也被证明。由于贝叶斯估计PE自然结合了不确定性和先验信息，传统的要求，$N \gg D!$有效地规避，允许PE估计，即使是非常短的时间序列。对一个具有光反馈的半导体激光器（SLWOF）系统的PE后验分布进行了自相似性检验，结果表明该系统的PE随时间呈周期性变化。

2021-04-19nlin.CDphysics.data-anphysics.optics

对于二元有限字母平稳遍历马氏过程，符号转移熵率等于转移熵率

Symbolic transfer entropy rate is equal to transfer entropy rate for bivariate finite-alphabet stationary ergodic Markov processes

传递熵是联合分布随机过程之间信息流大小和方向的度量。近年来，它的置换类似物在文献中被认为是通过计数值的排序出现的次数来估计转移熵，而不是值本身。已经表明，置换的方法是易于实现，计算成本低，并适用于现实世界的时间序列数据时，对噪声的鲁棒性。在本文中，我们提出了相应的速率的理论处理。特别是，我们认为转移熵率和它的置换模拟，符号转移熵率，并表明，他们是平等的任何二元有限字母平稳遍历马尔可夫过程。这个结果是[T. Haruna和K. Nakajima，Physica D 240，1370（2011）]。我们还讨论了转移熵率、时延互信息率以及它们的置换类比之间的关系。

2013-03-11cs.ITmath.ITnlin.CD

索引系综的排列熵：量化热化动力学

Permutation entropy of indexed ensembles: Quantifying thermalization dynamics

我们引入“PI-熵”$Π(\tildeρ)$（索引系综的置换熵）来量化混合，由于复杂的动力学系综$ρ$的不同初始状态下发展相同的动力学。我们发现，$Π(\tildeρ)$作为一个很好的代理的热力学熵$S(ρ)$，但更计算效率。我们研究1-D和2-D迭代映射，发现$Π(\tildeρ)$动力学区分各种系统的时间尺度和跟踪整体的信息丢失的合奏放松到平衡。对于一般的混沌系统，存在一个普遍的S形弛豫到平衡点，并且这种弛豫的特征在于与系统的李雅普诺夫指数相关的\emph{shuffling}时间尺度。对于Chirikov标准映射，一个系统的混合相空间的混沌增长与非线性踢强度$K$，我们发现，对于高$K$，$Π(\tildeρ)$的行为类似于一致双曲2-D猫映射。对于低$K$，我们看到周期性的行为与松弛包络类似的混沌制度，但与频率依赖于初始合奏的大小和位置的混合相空间以及$K$。我们讨论了如何$Π(\tildeρ)$适应实验工作和它的一般效用在量化如何复杂系统从低熵到高熵状态的变化。

2022-10-27cond-mat.stat-mechnlin.CDnlin.PS

关于置换熵参数的自动选取

On the Automatic Parameter Selection for Permutation Entropy

排列熵（PE）由于其低计算成本和噪声鲁棒性，已被证明是一个有用的工具，用于时间序列分析。这为它在许多领域的成功应用带来了启示。其中一些包括损害检测，疾病预测和金融波动分析。然而，为了成功地使用PE，需要准确地选择两个参数：置换维数$n$和嵌入延迟$τ$。这些参数通常由专家根据启发式或试错法提出。不幸的是，这两种方法都很耗时，并导致不准确的结果。为了帮助解决这个问题，在本文中，我们研究了多个方案，自动选择这些参数，只有相应的时间序列作为输入。具体而言，我们开发了一种频域方法的基础上的最小中值的平方和傅立叶频谱，以及扩展现有的两种方法：置换自互信息（PAMI）和多尺度置换熵（MPE）确定$τ$。然后，我们比较我们的方法，以及目前的方法在文献中获得$τ$和$n$对专家建议的值在已发表的作品。我们表明，任何方法在自动生成正确的PE参数的成功取决于所研究的系统的类别。具体而言，对于延迟参数$τ$，我们表明，我们的频率方法提供了准确的建议，为周期性系统，非线性差分方程，和ECG/EEG数据，而使用自适应分区计算的互信息函数提供了最准确的结果混沌微分方程。对于置换维度$n$，伪最近邻和MPE都为大多数系统的$n$提供精确值，其中$n = 5$在大多数情况下是合适的。

2020-04-03cs.ITmath.ITnlin.CD

有序模式的条件熵

Conditional entropy of ordinal patterns

在本文中，我们调查的数量称为条件熵的有序模式，类似于排列熵。有序模式的条件熵描述了给定有序模式之后的有序模式的平均多样性。我们观察到，这个数量提供了一个很好的估计Kolmogorov-Sinai熵在许多情况下。特别是，条件熵的有序模式的有限顺序与Kolmogorov-Sinai熵的周期性动态和马尔可夫移位超过一个二进制字母表。最后，有序模式的条件熵计算简单，因此可以很好地应用于现实世界的数据。

2014-07-21math.DSnlin.CD

基于拓扑数据分析的排列熵延迟参数选择

Delay Parameter Selection in Permutation Entropy Using Topological Data Analysis

本文利用拓扑数据分析中的持续同调方法，为排列熵自动选择延迟参数 τ，并在多种动力系统上与专家建议及优化参数对比验证其有效性。

2024-09-03cs.CGcs.ITmath.IT

Duffing振子中的有序模式：特征化能力分析

Ordinal Patterns in the Duffing Oscillator: Analyzing Powers of Characterization

有序模式是一种时间序列数据分析工具，用作构建置换熵的初步步骤，置换熵本身允许将动力学表征为混沌或规则，如李雅普诺夫指数等更多理论结构。然而，有序模式存储严格比置换熵或李雅普诺夫指数更多的信息。我们目前的结果与Duffing振子显示，有序模式反映了其他措施，甚至排列熵看不见的动态对称性的变化。我们发现，在给定的参数值的对称性的这些变化与稳定性的变化在相邻的参数，这表明了一种新的预测能力，这种分析技术。

2020-11-19nlin.AOnlin.CDphysics.data-an

使用序数转移方法揭示复杂网络的连通性

Unveiling the connectivity of complex networks using ordinal transition methods

本文比较了序数排列熵与序数转移概率矩阵的排列熵，发现后者能更有效地区分网络化混沌Rössler系统的拓扑角色，可应用于揭示真实时间序列背后的未知网络结构。

2023-07-11nlin.CDphysics.data-anphysics.soc-ph

互信息-熵平面：一种用于时间序列分析的新量化空间

Mutual information-entropy plane: a new quantifier space for time series analysis

Instituto de Física La Plata（拉普拉塔物理研究所）；Comisión de Investigaciones Científicas (CIC)（科学研究委员会）

本研究提出一种结合归一化排列熵与归一化排列互信息的二维量化平面，用于分析时间序列，可表征变量不确定性与共享信息，揭示变量间方向性，并通过规则、混沌、随机动力学验证其有效性。

2026-08-26nlin.CDnlin.PS

从序观点看Kolmogorov-Sinai熵

Kolmogorov-Sinai entropy from the ordinal viewpoint

在遍历的情况下，一维时间离散动力系统的大部分结构已经由其序结构决定。我们一般通过考虑序模式的分布来讨论这种现象，序模式描述了实数子集上的Borel可测映射的轨道的上下。特别地，我们给出了一类一维动力系统的Kolmogorov-Sinai熵的自然序描述，并将Kolmogorov-Sinai熵与Bandt和Pompe最近引入的置换熵联系起来.

2009-09-08nlin.CD