Additive Nonparametric Reconstruction of Dynamical Systems from Time Series
我们提出了一个非参数的方法来检索一个系统的微分方程在嵌入空间从一个单一的时间序列。这些方程可以用动力系统理论来处理,并允许长期预测。我们证明了我们的方法的修改混沌蔡氏振荡器的潜力。
2004-11-30 nlin.CD
Nonlinear dynamical models from time series
我们提出了一个优化过程,估计参数的常微分方程系统的混沌时间序列。优化技术是基于变分的方法,和有噪声的时间序列的数值研究表明,它是非常强大的,适当的,以减少模型的复杂性。所提出的过程还允许丢弃对动态影响不大的参数。
2014-07-30 nlin.CD
On the proper reconstruction of complex dynamical systems spoilt by strong measurement noise
本文报道了一种新的方法来正确地分析时间序列的动力系统,这是破坏了同时存在的动态噪声和测量噪声。它示出,即使是强大的外部测量噪声以及动态噪声,这是一个内在的一部分的动态过程中,可以被正确地量化,仅仅基于测量的时间序列和适当的数据分析。最后,现实世界的数据集,指出新方法的相关性。
2006-07-04 nlin.CD physics.data-an
Estimation of System Parameters and Predicting the Flow Function from Time Series of Continuous Dynamical Systems
本文介绍了一种从时间序列中估计连续动力系统参数的简单方法。在这种方法中,我们通过引入一些常数(控制常数)到给定的(原)系统中,构造一个修改的系统。然后通过求解由原系统和修正系统之间的关系得到的一组非线性代数方程组,确定系统参数和控制常数。最后,将该方法推广到求系统本身的演化方程的形式。该方法的主要优点是它只需要少量的时间序列数据,并适用于任何维数的动力系统。即使在时间序列中存在噪声的情况下,该方法也非常有效。并以Lorenz系统为例说明了该方法。
2004-06-15 nlin.CD
Fluctuation of similarity (FLUS) to detect transitions between distinct dynamical regimes in short time series
最近,引入了一种基于单变量时间序列中的局部递归性质的非线性相似性度量中的波动计算的方法,以识别短时间序列中不同的动力学状态和它们之间的过渡[1]。在这里,我们提出了新引入的措施和著名的概念吸引子尺寸和李雅普诺夫指数之间的分析关系的细节。我们表明,新的措施有线性依赖于吸引子的有效尺寸和它的措施的变化的总和的李雅普诺夫谱。为了说明该方法的实用性,我们用它来识别不同类型的动态过渡在不同的非线性模型。此外,我们提出了新方法的鲁棒性对时间序列中存在的噪声和缺失值的测试平台的例子。此外,我们使用这种方法来分析时间序列从社会动力学领域,我们提出了一个分析美国犯罪记录的时间序列从1975年到1993年。使用这种方法,我们已经发现,动态复杂性的抢劫案的影响,直到20世纪80年代末的失业率。我们还观察到,在20世纪80年代末和90年代初,杀人和抢劫率发生了动态变化,导致这些比率的动态复杂性增加。
2013-10-30 nlin.CD
Quantifying the dynamical complexity of time series
为混沌信号的表征提供了一个强有力的工具。该方法是基于时间序列的符号编码(根据其顺序模式)结合相应的气缸集的随后表征。Kolmogorov-Sinai熵的定量估计是通过引入一个修改的排列熵,它考虑到了平均宽度的圆柱集。该方法也适用于超混沌系统,并允许估计潜在的吸引子的分形维数。
2016-10-19 nlin.CD
Heart Rate Variability Series is the Output of a non-Chaotic System driven by Dynamical Noise
本研究提出一种基于二维相空间含噪声均方位移渐近增长率的方法框架,验证并应用于真实HRV序列,发现其由动态噪声驱动的规则系统生成,推翻了心血管系统混沌的早期结论。
2024-04-17 eess.SP nlin.CD
Statistical Test for Dynamical Nonstationarity in Observed Time-Series Data
从观测数据重建的状态空间中的点的时间分布信息产生了“非平稳性”的测试。根据统计假设检验,这种数值算法可以辨别参数是否发生了一些潜在的缓慢变化。该方法探讨了非线性动力学的一个基本对象,在状态空间中的轨道的几何形状,纠正,以克服困难,在真正的动态数据,导致天真的统计失败。
1995-12-21 chao-dyn nlin.CD
Dynamical Complexity Of Short and Noisy Time Series
香农熵已被广泛用于描述时间序列的复杂性所产生的混沌动力系统和随机过程,如马尔可夫链。然而,对于短时间和有噪声的时间序列,香农熵表现不佳。在这种情况下,基于无损压缩算法的复杂性度量是一个很好的替代品。我们评估了两个这样的压缩复杂性措施,即Lempel-Ziv复杂性($LZ$)和努力压缩($ETC$)在噪声存在下的混沌动力系统的短时间序列的性能。$LZ$和$ETC$在精确表征这类系统的动力学复杂性方面都优于香农熵($H$)。对于非常短的二进制序列(其出现在神经科学应用中),$ETC$具有比$LZ$和$H$更高数量的不同复杂度值,从而实现更精细的分辨率。对于两状态遍历马尔可夫链,我们的经验表明,$ETC$收敛到一个稳态值比$LZ$。压缩复杂性措施是有前途的应用程序,涉及短和噪声的时间序列。
2016-12-07 cs.IT math.IT nlin.CD
Measuring Shared Information and Coordinated Activity in Neuronal Networks
大多数神经系统在大型神经元网络的响应活动中编码关于刺激的信息。这种活动通常表现为动作电位的动态协调序列。由于多个电极记录现在是神经科学研究中的标准工具,因此具有适用于多个神经脉冲序列数据的这种网络范围的行为协调和信息共享的测量是重要的。我们提出了一个新的统计,信息的一致性,它衡量如何更好地预测一个单位可以通过知道另一个的动态状态。我们认为,信息一致性是一个衡量协会和共享信息,这是优于传统的成对措施的同步和相关性。为了找到动态状态,我们使用了一个最近推出的算法,重建有效的状态空间从随机时间序列。然后,我们通过估计网络的多信息,将成对测量扩展到网络的多变量分析。我们说明了我们的方法,通过测试它的一个详细的模型从伽马到β节律的过渡。
2005-07-29 math.ST nlin.CD q-bio.NC
Dynamical Properties of nystagmus
本文应用时间序列分析方法研究了人前庭和视前庭性眼震的时间序列。它们可以是平稳的或非平稳的,并且介于纯周期或纯混沌时间序列之间。时间序列的自相关函数的幅度在时间轴上的7秒和9秒之间具有意外的峰值。奇异谱分析表明,时间序列的重要信息集中在前4~6个主成分上。感官输入模态的影响,这可以通过打开或关闭眼睛的调查的人改变,导致直方图的变化,但几乎不变的时间序列的其他重要特征,如统计维度或在功率谱中的主频率的位置。因此,所研究的时间序列的行为表现出存在的非线性,这可能会发挥重要作用,实现眼球震颤现象。
2004-12-13 nlin.CD
Applications of recurrence quantified analysis to study the dynamics of chaotic chemical reaction
递归图是时间序列分析的一个非常简单的工具,特别适用于测量混沌动力系统中的不稳定周期轨道。递归量化分析(RQA)是一种先进的工具,它允许研究具有少量参数的动力系统的内在复杂性。我们利用RQA测量了NADH化学反应的混沌跃迁,并数值确定了其特征参数:相关积分、信息熵、最大李雅普诺夫指数等。为此,我们开发了性能优于TISEAN软件包的命令集
2002-11-28 nlin.CD
Simplicial Multivalued Maps and the Witness Complex for Dynamical Analysis of Time Series
基于拓扑的分析动力系统的时间序列数据是强大的:它潜在地允许基于计算机的证明存在的各种类别的规则和混沌的高维动力学不变集。标准的方法是基于一个立方离散化的动态和使用的时间序列来构建一个外部近似的基础动力系统。由此产生的多值映射可以用来计算孤立不变集的立方体的Conley指数。在本文中,我们介绍了一种离散化,而不是使用单纯复杂的构造从一个里程碑的关系。我们的目标是获得与时间序列本身的不变密度更紧密联系的自然离散化。数据的时间顺序也直接导致了这个单纯复形上的一个映射,我们称之为见证映射。我们得到的条件下,这个证人映射给出了一个外部近似的动态,从而可以用来计算孤立不变集的康利指数。通过一个简单的例子说明了该方法使用的数据从经典的Hénon映射。
2015-02-15 math.DS nlin.CD
Learning Interpretable Hierarchical Dynamical Systems Models from Time Series Data
Central Institute of Mental Health (CIMH)(中央精神卫生研究所(CIMH));Heidelberg University(海德堡大学);Hector Institute for AI in Psychiatry(赫克托精神病学人工智能研究所)
提出分层无监督动力系统重建框架,融合多域时间序列信息,在保留各域动力学的同时发现可解释低维特征并支持跨参数机制泛化。
2025-02-17 cs.AI cs.LG math.DS
Measuring quasiperiodicity
Birkhoff遍历定理断言在温和的条件下,Birkhoff平均值(即沿轨迹计算的时间平均值)收敛于空间平均值。对于足够光滑的系统,我们的数值Birkhoff平均值的小修改显着加快了准周期轨迹的收敛速度-由$10^{25}$的30位数的精度运算的一个因素,使其成为一个有用的计算工具,自治动力系统。许多动力系统,特别是哈密顿系统是混沌和准周期行为的复杂混合,并且准周期点附近的混沌轨迹可以具有长的近准周期瞬态。我们的方法可以帮助确定哪些初始点是在一个准周期集,哪些是混沌的。我们使用我们的{ \bf加权Birkhoff平均}来研究准周期系统,区分混沌和准周期,并计算旋转数的自相交曲线在平面上。此外,我们介绍了嵌入连续法,这是一个显着简单,通用的方法来计算旋转数。
2016-02-26 math-ph math.MP nlin.CD
Dynamical Component Analysis (DyCA): Dimensionality Reduction For High-Dimensional Deterministic Time-Series
Ansbach University of Applied Sciences(安斯巴赫应用科学大学)
多变量信号处理通常基于降维技术。我们提出了一种新的方法,动态成分分析(DyCA),导致的基本动态的分类和-对于某种类型的动态-信号子空间表示的动态数据。在本文中,该算法推导导致相关矩阵的广义特征值问题。DyCA的高维混沌信号的应用,提出了模拟数据,以及真正的癫痫发作的EEG数据。
2019-03-18 cs.LG eess.SP nlin.CD
A Dynamical Approach to Temperature
本文提出了一种新的动力学方法来测量热力学微正则系综中哈密顿动力学系统的温度。我们表明,在遍历性的假设下,温度可以计算为泛函的时间平均值,div(梯度H/|等级H| #21012;能量表面。我们的方法不仅产生一个有效的计算方法来确定温度,它也提供了一个内在的联系动力系统理论和统计力学的哈密顿系统。
1997-01-30 chao-dyn nlin.CD
Characterizing the complexity of time series network graphs: A simplicial approach
我们分析的时间序列从不同的动力学制度的Logistic映射通过构建其等价的时间序列(TS)网络,使用可见性算法。所分析的区域包括周期区域和混沌区域,以及间歇区域和混沌边缘的Feigenbaum吸引子。我们使用代数拓扑学的方法来定义单纯特征,它可以分析网络的单纯结构的全局和局部水平。单纯的特征带来了复杂性的层次在不同的拓扑水平。这些层次的复杂性找到嵌入在网络中的局部动态的骨架,影响系统的全局动态特性,也允许识别占主导地位的图案。我们还分析了相同的网络使用传统的网络特征,如平均路径长度和聚类系数。我们看到,单纯的特征能够区分不同的动力学制度,可以拿起微妙的差异,动力学行为,而通常的特征提供了一个粗糙的表征。然而,两者结合起来,可以提供有关时间序列的动力学行为以及演化系统中的相关性的信息。因此,我们的方法可以为动力系统的分析提供强大的工具。
2018-07-05 cond-mat.dis-nn cond-mat.soft cond-mat.stat-mech
Measuring the Lyapunov exponent using quantum mechanics
我们研究了两个波包的时间演化,这两个波包在相同的初始状态下制备,但在略微不同的哈密顿量下演化。对于混沌系统,我们确定了导致波包重叠函数随时间指数衰减的情况。我们表明,足够弱的扰动,指数衰减遵循费米黄金法则,而通过使两个哈密顿量之间的差异更大,特征指数衰减时间成为李雅普诺夫指数的经典系统。我们通过数值研究二维动力系统的重叠衰减函数来说明我们的理论研究结果。
2001-12-10 cond-mat nlin.CD quant-ph
Classification of chaotic time series with deep learning
University of Oxford(牛津大学);United Kingdom Atomic Energy Authority(英国原子能管理局)
我们使用标准的深度神经网络,根据离散和连续动力系统的混沌或非混沌行为,对它们生成的单变量时间序列进行分类。我们的方法来规避缺乏精确的模型,一些最具挑战性的现实生活中的应用是训练不同的神经网络的数据集从一个动力系统与基本或低维相空间,然后使用这些网络分类单变量时间序列的动力系统与更复杂或高维相空间。我们说明了这种概括的方法,使用Logistic映射,正弦圆映射,洛伦兹系统,和仓本-Sivashinsky方程。我们观察到,没有批量归一化层的卷积神经网络在时间序列分类方面优于最先进的神经网络,并且能够以高精度将时间序列概括和分类为混沌或非混沌。
2019-12-03 cs.LG eess.SP math.DS