基于信息理论的时间序列非线性检测方法

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (7): 83-85.doi: 10.3969/j.issn.1007130X.2010.

基于信息理论的时间序列非线性检测方法

吴国清,莫则尧,陈虹

(北京应用物理与计算数学研究所,北京 100094)

收稿日期:2009-02-19 修回日期:2009-05-18 出版日期:2010-06-25 发布日期:2010-06-25
通讯作者: 吴国清 E-mail:wu.guoqing@gmail.com
作者简介:吴国清(1980)，男，山东临沂人，博士生，助理研究员，CCF会员(E200009288G)，研究方向为科学数据挖掘和科学数据管理;莫则尧，研究员，博士生导师，研究方向为并行计算、科学数据管理和科学数据可视化;陈虹，研究员，研究方向为科学数据管理和信息安全。

Detecting Nonlinearity in Time Series Based on the Information Theory

WU Guoqing,MO Zeyao,CHEN Hong

(Institute of Applied Physics and Computational Mathematics,Beijing 100094,China)

Received:2009-02-19 Revised:2009-05-18 Online:2010-06-25 Published:2010-06-25
Contact: WU Guoqing E-mail:wu.guoqing@gmail.com

摘要/Abstract

摘要：

替代数据方法是检验时间序列非线性和混沌的重要统计方法，应用此方法时，常用的检验统计量各有优势与局限性。本文在采用振幅调节傅立叶变换法(AAFT)产生替代数据后，引入信息冗余度作为检验统计量进行统计检验，研究了单变量及多变量的非线性定性及定量检验方法。实验算例表明，本文方法是一种有效的、鲁棒的非线性检验方法。

关键词: 信息论, 时间序列, 非线性, 替代数据

Abstract:

Surrogate data testing is an important statistical method to detect nonlinearity in time series and has been widely used.The choice of test statistics can bring important influence to the nonlinearity of time series.A method for testing nonlinearity is described based on the information theory－redundancy.We use the AAFT algorithm to produce surrogate data and using redundancy as test statistics.The evaluation of redundancy statistics for univariate and multivariate is described respectively.The result of numerical experiments confirms our approach is an effective and robust nonlinearity detecting method.

Key words: information theory;time series;nonlinearity;surrogate data

吴国清,莫则尧,陈虹. 基于信息理论的时间序列非线性检测方法[J]. J4, 2010, 32(7): 83-85.

WU Guoqing,MO Zeyao,CHEN Hong. Detecting Nonlinearity in Time Series Based on the Information Theory[J]. J4, 2010, 32(7): 83-85.

[1]	薛凯来, 贾向东, 韩向花, 牛夏秧, 张亮. 基于非线性能量收集的非线性信息状态更新系统的信息新鲜度分析#br#[J]. 计算机工程与科学, 2025, 47(04): 644-654.
[2]	王坤, 刘杰, 李伟, 谭伟, 覃涛, 杨靖, . 多策略改进的猎人猎物优化算法[J]. 计算机工程与科学, 2024, 46(10): 1875-1887.
[3]	戴春雨, 马廉洁, 蒋涵存, 李红双. 基于多种策略改进的鲸鱼优化算法[J]. 计算机工程与科学, 2024, 46(09): 1635-1647.
[4]	董文超, 郭强, 张彩明, . 一种模糊时间序列概率预测方法[J]. 计算机工程与科学, 2024, 46(08): 1493-1502.
[5]	任晟岐, 宋伟. 基于GGInformer模型的多维时间序列特征提取与预测研究[J]. 计算机工程与科学, 2024, 46(04): 590-598.
[6]	阳予晋, 王堃, 陈志刚, 徐悦, 李斌. 基于胶囊网络的异常多分类模型[J]. 计算机工程与科学, 2024, 46(03): 427-439.
[7]	庞诺言, 关东海, 袁伟伟. 基于早期时间序列分类的可解释实时机动识别算法[J]. 计算机工程与科学, 2024, 46(02): 353-362.
[8]	赵瑞平, 降爱莲. 基于自编码器和局部嵌入的无监督特征选择[J]. 计算机工程与科学, 2023, 45(07): 1282-1291.
[9]	黄学雨, 罗华. 自适应变异蝴蝶优化算法[J]. 计算机工程与科学, 2023, 45(06): 1123-1133.
[10]	刘南艳, 魏鸿飞, 马圣祥. 融合局部动态特征的面部表情识别[J]. 计算机工程与科学, 2023, 45(05): 849-858.
[11]	王堃, 郑晨, 张立中, 陈志刚. 一种基于SARIMA-LSTM模型的电网主机负载预测方法[J]. 计算机工程与科学, 2022, 44(11): 2064-2070.
[12]	寇巧媛, 袁杰. 具有时变通信延迟的多智能体系统改进蜂拥控制[J]. 计算机工程与科学, 2022, 44(10): 1852-1860.
[13]	赵春兰, 李屹, 何婷, 武刚, 王兵. 基于动态隶属度的模糊时间序列模型的水质预测研究[J]. 计算机工程与科学, 2022, 44(08): 1488-1496.
[14]	赵林锁, 陈泽, 丁琳琳, 宋宝燕. 基于RELM的时间序列数据加权集成分类方法[J]. 计算机工程与科学, 2022, 44(03): 545-553.
[15]	耿召里, 李目, 曹淑睿, 刘昶忻. 基于混合反向学习策略的鲸鱼优化算法[J]. 计算机工程与科学, 2022, 44(02): 355-363.

基于信息理论的时间序列非线性检测方法

Detecting Nonlinearity in Time Series Based on the Information Theory

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价