基于排列熵的SAX特征表示方法复杂度及相关特性研究

计算机工程与科学

基于排列熵的SAX特征表示方法复杂度及相关特性研究

宋伟1,宋玉1,张帆2,范明1,叶阳东1

（1．郑州大学信息工程学院,河南郑州 450001；2．华北水利水电大学信息工程学院,河南郑州 450046）

收稿日期:2017-09-17 修回日期:2018-01-24 出版日期:2018-07-25 发布日期:2018-07-25
基金资助:
国家自然科学基金（61170223，61772475）；河南省科技攻关项目(172102410065，172102210011)；河南省高等学校重点科研项目(17A520057)

A study on complexity and relative intrinsic properties of

SAX representation method based on permutation entropy

SONG Wei1,SONG Yu1,ZHANG Fan2,FAN Ming1,YE Yangdong1

（1．School of Information Engineering,Zhengzhou University,Zhengzhou 450001；

2．School of Information Engineering,North China University

of Water Resources and Electric Power,Zhengzhou 450046,China）

Received:2017-09-17 Revised:2018-01-24 Online:2018-07-25 Published:2018-07-25

摘要/Abstract

摘要：

符号化聚合近似SAX方法是典型且行之有效的符号化特征表示方法。目前对SAX方法实践应用较多，然而对其内在特性，如复杂度、信息损失、相关性及周期性等方面的分析研究却相对较为少见。运用排列熵来度量SAX方法的复杂度及相关特性的统计学特征，通过在实验数据集以及真实生理数据上的实验表明，SAX方法可以明显降低特征表示的复杂度，冗余效应也得到了缓解；此外，SAX较好地保留了采用自相关函数ACF度量的内在相关性。本文工作可以对SAX方法及其进一步应用提供支撑，为新的符号化特征表示方法的设计与评估提供分析与统计工具。

关键词: 排列熵, 符号化聚合近似, 内在特性, 复杂度, 相关性

Abstract:

Symbolic aggregate approximation (SAX) is a typical and effective symbolic feature representation method. At present, there are many practical applications of the SAX method, but the analysis of its intrinsic properties, such as complexity, information loss, correlation and periodicity, is relatively rare. In this paper, we apply the permutation entropy to analyze the complexity and statistics characteristics of the relative intrinsic properties of the SAX method. Experiments on benchmark datasets and real clinical data show that the SAX method can significantly reduce the complexity of feature representation and alleviate the redundancy effect while preserving the inherent correlation measured by the autocorrelation function ACF. This work can provide support for the SAX method and its further application, and provide analytical and statistical tools for the design and evaluation of new symbolic representation methods.

Key words: permutation entropy, symbolic aggregate approximation, intrinsic properties；complexity, correlation

宋伟1,宋玉1,张帆2,范明1,叶阳东1. 基于排列熵的SAX特征表示方法复杂度及相关特性研究[J]. 计算机工程与科学.

SONG Wei1,SONG Yu1,ZHANG Fan2,FAN Ming1,YE Yangdong1.

A study on complexity and relative intrinsic properties of

SAX representation method based on permutation entropy

[J]. Computer Engineering & Science.

[1]	王玉雷, 谢凯亮, 陈思贇, 胡杰, 常胜. 卷积神经网络硬件加速的通用性设计[J]. 计算机工程与科学, 2023, 45(04): 577-581.
[2]	王晨宇, 温浩珉, 郭晟楠, 林友芳, 万怀宇, . 面向快递员揽收到达时间预测的多任务深度时空网络[J]. 计算机工程与科学, 2023, 45(01): 136-144.
[3]	闫少辉, 施万林, 宋震龙, 王尔童, 孙溪, 黄羿博, . 一个新三维混沌电路设计及其同步控制[J]. 计算机工程与科学, 2022, 44(08): 1409-1417.
[4]	程玉胜, 曹天成, 王一宾, 郑伟杰. 基于负相关性增强的不平衡多标签学习算法[J]. 计算机工程与科学, 2021, 43(09): 1700-1710.
[5]	那格思, 赵海燕. 分数阶Rucklidge系统复杂度分析及有限时间同步[J]. 计算机工程与科学, 2020, 42(09): 1625-1631.
[6]	杨岚雁, 靳敏, 张迎春, 张珣. 一种基于关联规则的MLKNN多标签分类算法[J]. 计算机工程与科学, 2020, 42(07): 1309-1317.
[7]	蒋芸，肖潇，侯金泉，陈莉. 基于局部正、负标记相关性的k近邻多标记分类新算法[J]. 计算机工程与科学, 2019, 41(10): 1854-1860.
[8]	陈芳，张乾. 超立方体网络环诊断策略的研究[J]. 计算机工程与科学, 2019, 41(07): 1191-1196.
[9]	蒋芸，肖潇，侯金泉，陈莉. 融合标记独有属性特征的k近邻多标记分类新算法[J]. 计算机工程与科学, 2019, 41(03): 513-519.
[10]	李召义，刘占军，薛亚茹，刘红霞. 基于势博弈的认知全双工中继选择策略研究[J]. 计算机工程与科学, 2019, 41(02): 286-292.
[11]	邱亮1，夏慧明1，储久良2. 基于时域梯度相似度的视频质量评价模型[J]. 计算机工程与科学, 2018, 40(04): 707-711.
[12]	张迪，马慧芳，贾俊杰，余丽. 一种基于标签概率相关性的微博推荐方法[J]. 计算机工程与科学, 2017, 39(09): 1742-1748.
[13]	马慧芳，朱志强，成玉丹，贾俊杰. 基于核心词项平均划分相似度的短文本聚类算法[J]. 计算机工程与科学, 2017, 39(08): 1562-1569.
[14]	陈文兵，宋玛君，王廷春. 一种利用极限学习机的数据可视化方法[J]. 计算机工程与科学, 2017, 39(05): 912-918.
[15]	毕松松,戴小平,周建钦,王喜凤. 构造给定k错线性复杂度谱的2n周期序列[J]. 计算机工程与科学, 2016, 38(12): 2483-2492.