基于量化均值偽鄰近點法的短時序列確定性檢測.pdf

1、由于確定性信號和隨機信號的研究方法存有極大的差異,因此在分析研究復(fù)雜信號之前,判斷復(fù)雜信號是確定性信號還是隨機信號具有重要意義,以便有針對性的選擇正確的分析方法對之進行分析。針對以往算法需要主觀參數(shù)的不足,論文提出使用均值偽鄰近法(AFN)檢測短時序列的確定性。但只能通過肉眼觀測曲線的方法檢測信號的確定性。為了實現(xiàn)量化檢測短時序列確定性,論文提出量化均值偽鄰近點法(QAFN)及其變換量化均值偽鄰近點法(LAFN)。兩種量化算法采用假設(shè)檢

2、驗實現(xiàn)量化檢測短時序列的確定性,其中統(tǒng)計量是均值偽鄰近法中參數(shù)E2的變異系數(shù)。
　　論文從三個方面驗證量化算法的有效性。為了考查量化算法對于不同短時序列的適用性,對于所有仿真實驗分別驗證了不同長度的時間序列。第一,對合成確定性時間序列和隨機時間序列進行仿真驗證,實驗結(jié)果和預(yù)期是一致,同時統(tǒng)計了量化算法檢測時間序列確定性的成功率,實驗結(jié)果說明了量化算法適用于檢測短時序列(部分時間序列的長度只要150點)的確定性性質(zhì);第二,驗證了量化

3、算法適用于檢測高維混沌系統(tǒng)產(chǎn)生的時間序列(Mackey-Glass混沌時間序列),但是其對序列長度的要求更高;第三,驗證量化算法對于自然界真實存在信號(心電時間序列、健康肌電時間序列、肌病肌電時間序列、SantaFe激光序列)的適用性,結(jié)果顯示兩種量化算法均適用于檢測真實序列的確定性。
　　為了研究量化算法的魯棒性,本文通過在確定性時間序列添加不同水平的噪聲對其進行研究。仿真結(jié)果顯示算法應(yīng)用于低維混沌系統(tǒng)有較強的抗噪能力,但是高維

4、混沌系統(tǒng)對噪聲比較敏感。同時分析對比了兩種量化算法的優(yōu)劣,對于大部分短時序列,LAFN算法具有更強的魯棒性,但是對于特例(Tours確定性時間序列),QAFN算法的抗噪能力更強。
　　最后討論了dmax對算法有效性的影響,結(jié)果顯示當(dāng)dmax大于一定值時并不會對算法的有效性產(chǎn)生影響,但是隨著dmax取值的增大,算法的計算量也將不斷變大,對于低維系統(tǒng)選取8,高維系統(tǒng)選取12。
　　量化算法在檢測時間序列的確定性具有如下優(yōu)點:對時