首页/论文/1506.09103

arXiv 1506.091032015-06-27physics.data-anmath.DS

混沌序列的TQ复杂度估计

Estimation of the TQ-complexity of chaotic sequences

A. V. Makarenko

备注：: 11 pages, 6 figures, 1 table, Paper 99 in Proceedings of the 1st IFAC Conference MICNON 2015
发表信息：: IFAC-PapersOnLine, 2015, Vol.48, Issue 11, pp. 1049-1055
DOI：: 10.1016/j.ifacol.2015.09.332

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

本文提出了一种新的方法，根据多维离散序列在扩展状态空间中的轨迹形状，定量地估计其复杂性。该方法基于对序列结构性质的研究，适用于混沌序列和随机序列的复杂度估计。它是建立在作者早先提出的多维离散序列和映射的符号CTQ分析的方法上的。所提出的算法不仅操纵符号出现的频率，而且还考虑到它们的序列顺序。一个例子（金融时间序列），演示了开发的工具的应用。

英文摘要：

A new approach is proposed to the quantitative estimation of the complexity of multidimensional discrete sequences in terms of the shapes of their trajectories in the extended space of states. This approach is based on the study of the structural properties of sequences and is suitable for estimating the complexity of both chaotic and stochastic sequences. It is constructed on the method, proposed earlier by the author, of symbolic CTQ-analysis of multidimensional discrete sequences and mappings. The algorithm proposed manipulates not only the frequency of occurrence of symbols, but also takes into account their sequence order. An example (financial time series) is given that demonstrates the application of the tools developed.

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

美国河流的复杂性和混沌行为及其预测范围的估计

Complexity and chaotic behavior of the U.S. rivers and estimation of their prediction horizon

径流时间序列包含大量的隐藏信息，对其未来行为的可靠预测仍然是一个挑战。看来，信息措施的使用可以显着有助于确定河流的时间范围和提高可预测性。利用柯尔莫哥洛夫复杂性（KC）及其导数（KC谱及其最高值）和李雅普诺夫指数（LE），以往的研究表明，径流的可预测性程度取决于人类活动、环境因素和自然特征。本文应用KC和LE测度研究了1950年至2015年期间美国1879条河流月流量的随机性和混沌行为，并通过李雅普诺夫时间和柯尔莫哥洛夫时间（分别为LT和KT）评估了它们的时间范围。

2023-01-27physics.data-an

非线性动力学复杂性分析中的微分符号熵

Differential symbolic entropy in nonlinear dynamics complexity analysis

微分符号熵，非线性动力学的复杂性的措施，提出了在我们的贡献。混沌确定性测度通过灵活的控制参数，利用相邻三个单元之间的局部非线性动力学信息提取非线性复杂度。在混沌Logistic序列的非线性复杂度检测中，微分符号熵（DSEn）随着Logistic映射混沌特征的变化，具有较好的复杂度提取效果。在对真实世界生理心脏信号的非线性分析中，DSEn在统计学上显著区分了三种心率，健康青年受试者>健康老年人> CHF（充血性心力衰竭）患者，突出了心脏非线性中衰老和心脏疾病的复杂性损失理论。此外，DSEn对数据长度要求不高，可以在短数据集上提取非线性复杂度，是表征非线性动态复杂度的有效参数。

2018-12-04physics.data-an

确定性混沌时间序列参数估计的统计方法研究

On Statistical Methods of Parameter Estimation for Deterministically Chaotic Time-Series

讨论了将一些标准统计方法（最小二乘法、极大似然法、统计矩估计参数法）应用于含有观测噪声的确定性混沌低维动力系统（Logistic映射）的可能性。提出了一种“纯”极大似然（ML）方法来估计Logistic映射的结构参数，并将初始值$x_1$作为一个额外的未知参数.与以前提出的技术模拟数值例子的比较给出了有利的结果（至少，对于样本量$N$和噪声水平的调查组合）。此外，与一些建议的技术，我们的方法不需要噪声方差的先验知识。我们还澄清了确定性混沌时间序列的统计分析和以前提出的贝叶斯方法的状态的固有困难的性质。我们注意到需要在ML分析中使用大量数据点来减少偏差（以保证估计的一致性）与初始条件的记忆指数快速丢失的动态轨迹的不稳定性之间的权衡。讨论了Logistic映射参数估计的统计矩方法。这种方法似乎是唯一的方法，其一致性的确定性混沌时间序列证明到目前为止，理论上（不仅数值）。

2003-08-14physics.class-phphysics.data-an

复杂性、混沌与Duffing-Oscillator模型：市场库存波动分析

Complexity, Chaos, and the Duffing-Oscillator Model: An Analysis of Inventory Fluctuations in Markets

显然，随机的金融波动往往表现出不同程度的复杂性和混乱。鉴于数据有限，此类时间序列的可预测性变得难以推断。虽然设计了有效的方法，李雅普诺夫指数计算，知识的过程中驱动的动态极大地促进了复杂性分析。研究表明，1974-2012年全球小麦市场季度库存变化遵循非线性确定性过程。这些波动的李雅普诺夫指数计算使用滑动时间窗口的长度为131季度。在整个分析期间，弱混沌行为与非混沌行为交替出现。更重要的是，在本文中，一个立方的价格变化对库存变化的依赖性，导致建立确定性的Duffing-Oscillator-Model（DOM）作为一个合适的候选人来研究小麦的库存波动。DOM代表商品生产周期与市场中外部干预的相互作用。通过将傅立叶估计的时间信号拟合到DOM而获得的用于移动时区的参数能够生成再现由当时的经验信号所表现出的真实混沌性质的响应。赋予适当的含义的参数，可以推断，投机的临时变化反映了库存波动的模式，驱动混沌和非混沌行为之间的过渡。

2013-07-24physics.data-anq-fin.GN

超越混沌的可能性

Rising Above Chaotic Likelihoods

Berliner（混沌系统的Likestival和Bayesian预测，J. Am. Stat. Assoc.1991）指出了在贝叶斯范式中使用似然函数的一些困难，这些困难出现在混沌系统的状态估计和参数估计中。即使当方程的系统是给定的，他证明了“混沌似然函数”的初始条件和参数值的Logistic映射。混沌似然函数，而最终顺利，有这样复杂的小尺度结构，在实践中确定高似然状态的可能性表示怀疑。在本文中，混沌似然的挑战是克服嵌入在一个更高的维度序列空间的观察，这使得良好的状态估计有限的计算能力。介绍了一种重要抽样方法，在序列空间中采用伪轨道数据同化，首先识别相关伪轨道，然后识别相关轨道。估计数的确定与可能性的数量级高于先前确定的例子中给出的柏林。伪轨道数据同化重要采样器利用来自模式动力学和观测的信息。当然，从相关先验（这里是自然测量）中采样最终会产生一个可靠的样本，但考虑到现实的计算资源，这种传统方法根本不会提供高似然点。虽然柏林人提出的挑战之一是克服，他的中心结论是支持。参数估计的“混沌似然函数”仍然是一个挑战;这一事实有助于澄清为什么物理学家保持初始条件不确定性和参数不确定性之间的强烈区别。

2016-12-28nlin.CDphysics.data-anstat.ME

用长程相关估计混沌谱中缺失能级数的准确度和精度

Accuracy and precision of the estimation of the number of missing levels in chaotic spectra using long-range correlations

研究了利用长程关联估计量子混沌谱中观测能级$φ$的准确度和精确度。我们专注于主要的统计数据的缺失水平的分数的理论公式已经推导出，$Δ_3$的戴森和梅塔和功率谱的$δ_n$统计。我们使用蒙特卡罗模拟的频谱从对角化的高斯正交Entrance矩阵与一定数量的水平随机取出，以适应公式和计算的估计量的分布为不同大小的频谱和值的$φ$。为了避免估计中的系统误差，需要对$δ_n$统计的功率谱进行适当的平均。一旦进行了适当的平均，即使对于我们考虑的最低维度$d=100$，这两种方法对观测水平的分数的估计也具有相当好的精度。然而，与使用$Δ_3$统计量的估计相比，使用$δ_n$的功率谱的估计的精度通常更好。对于较大的维度，这种差异显然更大。我们的研究结果表明，仔细分析的集合分布的估计的拟合值是强制性的理解其实际意义，并给出一个现实的误差区间。

2020-11-03cond-mat.othernucl-thphysics.data-an

更多相关论文收起更多论文

利用Fisher-Shannon复杂性计划中排序模式的影响

Exploiting the impact of ordering patterns in the Fisher-Shannon complexity plan

Fisher-Shannon复杂性平面是在二维平面中表示复杂动力学的强大工具。它根据系统的熵和Fisher信息测度（Fisher Information Measure，FSI）来确定系统的位置。最近的研究表明，通过使用有序模式来计算排列熵和排列熵，这个平面揭示了系统复杂和混沌动力学背后的结构的内部细节。为了计算模式，模式的顺序非常重要。我们详细分析了排序协议的影响，用于计算使用有序模式的排序。我们展示了一个合适的选择，这可以节省计算资源的重要性，但也揭示了其他排序协议无法访问的动态细节。我们的研究结果与前人的研究结果一致，并发现共同的特征指纹的不同的混沌映射研究。我们的分析还揭示了所研究的混沌映射的分形行为。我们提取了一些基本的对称性，使我们能够模拟的复杂性平面上的混沌政权的控制参数范围很广的行为。

2021-05-12nlin.CDphysics.data-an

基于Rényi复杂度-熵曲线的时间序列特征

Characterization of Time Series Via Rényi Complexity-Entropy Curves

区分混沌和随机时间序列的最有用的工具之一是所谓的复杂熵因果平面。该图涉及两个复杂性度量：香农熵和统计复杂性。最近，这一想法已被推广，考虑Tsallis单参数推广的香农熵，产生复杂性熵曲线。这些曲线已被证明可以提高与数值和实验性质的随机和混沌过程有关的不同时间序列之间的区分力。在这里，我们进一步探讨这些复杂性熵曲线的背景下，雷尼熵，这是另一个单参数推广的香农熵。通过将Rényi熵与统计复杂度的适当推广相结合，我们将参数曲线（Rényi复杂度-熵曲线）与给定的时间序列相关联。我们探索这种方法在一系列的数值和实验应用，证明了这种新技术的有用性的时间序列分析。我们表明，雷尼复杂性熵曲线，使混沌，随机和周期性的时间序列之间的差异。特别是，随机性质的时间序列与在其初始点附近显示正曲率的曲线相关联，而与混沌现象相关的曲线具有负曲率;最后，周期性时间序列由垂直直线表示。

2018-01-17cond-mat.stat-mechphysics.data-anstat.AP

基于局部集合卡尔曼滤波的非全局参数估计

Non-global parameter estimation using local ensemble Kalman filtering

研究了基于局部系综变换卡尔曼滤波器（LETKF）的低维混沌模型非全局参数估计问题。通过修改现有的技术，使用观测数据来估计全球参数，我们提出了一种方法，使空间变化的参数可以估计使用的观测只在一个局部区域的空间。以一个低维非线性混沌概念模型的大气动力学作为我们的数值试验平台，我们表明，这种参数估计方法准确地估计参数，在空间和时间上都不同，以及参数代表物理缺席的模型。

2013-11-22nlin.CDphysics.data-an

使用局部集合卡尔曼滤波器的状态、全局和局部参数估计：应用于混沌动力学的在线机器学习

State, global and local parameter estimation using local ensemble Kalman filters: applications to online machine learning of chaotic dynamics

CEREA（大气环境教学与研究中心）；École des Ponts（巴黎桥路学院）；EDF R&D（法国电力集团研发中心）；LMD/IPSL（动力气象学实验室/皮埃尔-西蒙·拉普拉斯研究所）；ENS（巴黎高等师范学院）；PSL Université（巴黎文理研究大学）；École Polytechnique（巴黎综合理工学院）；Institut Polytechnique de Paris（巴黎理工学院）；Sorbonne Université（索邦大学）；CNRS（法国国家科学研究中心）

在最近的一篇方法论论文中，我们展示了如何使用局部集合卡尔曼滤波器从顺序获得的观测中学习混沌动力学以及状态轨迹。在这里，我们更系统地研究了使用本地集合卡尔曼滤波器的可能性，无论是协方差本地化或局部域，以检索状态和关键的全局和局部参数的混合。全局参数旨在表示替代动力学核心，例如通过神经网络，这让人想起动力学的数据驱动的机器学习，而局部参数通常代表模型的强迫。针对状态和参数估计的联合估计问题，提出了一类协方差和局域定位算法。特别是，我们展示了如何严格更新全局参数使用局部域集合卡尔曼滤波器（EnKF），如本地集合变换卡尔曼滤波器（LETKF），一个固有的本地方法。该方法进行了测试，成功的40变量洛伦兹模型使用几个本地EnKF口味。最后给出了一个基于多层洛伦兹模型的二维例子。它使用类似辐射的非局部观测。它具有局部域和协方差局部化，以学习混沌动力学和局部强迫。本文更一般地解决了在线估计全局和局部模型参数的关键问题。

2022-03-25cs.LGnlin.CDphysics.ao-ph

基于递归图的复杂性度量及其在心率变异性数据中的应用

Recurrence Plot Based Measures of Complexity and its Application to Heart Rate Variability Data

在规则、层流或混沌行为之间的转变的知识对于理解复杂系统背后的基本机制是必不可少的。虽然几种线性方法往往不足以描述这样的过程，但有几种非线性方法需要相当长的时间观察。为了克服这些困难，我们提出了措施的复杂性的基础上的垂直结构的复发图，并将其应用到逻辑地图以及心率变异性数据。对于Logistic映射，这些措施使我们不仅能够检测到混沌和周期状态之间的转换，而且还可以识别层流状态，即混沌-混沌转换。传统的递归量化分析无法检测后者的转变。将我们的新措施应用于心率变异性数据，我们能够在发生危及生命的心律失常之前检测和量化层状阶段，从而促进对此类事件的预测。本研究结果对恶性心律失常的治疗具有重要意义。

2002-05-21nlin.CDphysics.data-anphysics.med-ph