混沌序列分析-(Chaotic-Time-Series-Analysis)

混沌序列分析

ChaoticTimeSeriesAnalysis理解復(fù)雜世界

MakingSenseofaComplexWorldMakingSenseofaComplexWorld混沌背景中的信號檢測

DetectionofSignalsinChaosDetectionofSignalsinChaosWolf方法求混沌時間序列的最大Lyapunov指數(shù)

DeterminingLyapunovExponentsfromaTimeSeriesDeterminingLyapunovExponentsfromaTimeSeries

小數(shù)據(jù)量方法求混沌時間序列的最大Lyapunov指數(shù)

ApracticalmethodforcalculatinglargestLyapunovexponentsfromsmalldatasets

ApracticalmethodforcalculatinglargestLyapunovexponentsfromsmalldatasetsBBA算法計算混沌時間序列的Lyapunov指數(shù)譜

ComputingtheLyapunovSpectrumofaDynamicalSystemfromObservedTimeSeriesComputingtheLyapunovSpectrumofaDynamicalSystemfromObservedTimeSeriesGP算法計算混沌時間序列的Kolmogorov熵

從混沌時間序列同時計算關(guān)聯(lián)維和Kolmogorov熵從混沌時間序列同時計算關(guān)聯(lián)維和Kolmogorov熵在Ｇ－Ｐ算法的根底上提出用最小二乘法從時間序列同時計算出關(guān)聯(lián)維和Kolmogorov熵的方法。對混沌系統(tǒng)，從本方法得出的關(guān)聯(lián)維是最優(yōu)的，同時也得到了Kolmogorov熵的穩(wěn)定估計。并用Rossler吸引子和Lorenz吸引子為例證實了這一算法。關(guān)鍵詞:混沌時間序列關(guān)聯(lián)維Kolmogorov熵算法混沌時間序列分析中的相空間重構(gòu)技術(shù)綜述本文對混沌時間序列分析中的相空間重構(gòu)技術(shù)進(jìn)行了分析和評價,總結(jié)了國內(nèi)外學(xué)者的研究進(jìn)展,并展望了未來的研究方向.深圳成份股指數(shù)收益率序列的分形維本文利用G-P算法計算了深圳成份股指數(shù)的分形維為3.8.而這就是證券市場運行系統(tǒng)的混沌吸引子的維數(shù).因此,雖然證券市場的運行是千變?nèi)f化的,決定其變化的因素很多,但是本質(zhì)因素只有4個.最大似然算法計算混沌時間序列的Kolmogorov熵

Maximun-likelihoodEstimationoftheEntropyofanAttractorMaximun-likelihoodEstimationoftheEntropyofanAttractor最大似然算法計算混沌時間序列的關(guān)聯(lián)維

EstimationofDimensionofaNoisyAttractorEstimationofDimensionofaNoisyAttractor

假近鄰方法(FalseNearestNeighbor,FNN)求混沌時間序列重構(gòu)嵌入維Determiningembeddingdimensionforphase-spacereconstructionusingageometricalconstructionDeterminingembeddingdimensionforphase-spacereconstructionusingageometricalconstructionCao方法求混沌時間序列重構(gòu)嵌入維

PracticalmethodfordeterminingtheminimumembeddingdimensionofascalartimeseriesPracticalmethodfordeterminingtheminimumembeddingdimensionofascalartimeseriesCC方法求混沌時間序列重構(gòu)時延與嵌入窗

Nonlineardynamics,delaytimes,andembeddingwindowsNonlineardynamics,delaytimes,andembeddingwindows時間窗法求混沌時間序列重構(gòu)參數(shù)

Statespacereconstructionparametersintheanalysisofchaotictimeseries-theroleofthetimewindowlengthStatespacereconstructionparametersintheanalysisofchaotictimeseries-theroleofthetimewindowlength

非線性時間序列分析方法的應(yīng)用

InterdisciplinaryapplicationofnonlineartimeseriesmethodsInterdisciplinaryapplicationofnonlineartimeseriesmethods非線性時間序列分析

Nonlineartimeseriesanalysis

Nonlineartimeseriesanalysis船舶輻射噪聲的混沌現(xiàn)象研究

ResearchesonchoaticPhenomenaofnoisesofradiatedfromships

船舶輻射噪聲的混沌現(xiàn)象研究水下弱信號的檢測和識別是當(dāng)今水聲信號處理領(lǐng)域中存在的難題，應(yīng)用混沌、分形理論，從相空間軌跡，Lyapunov指數(shù)和關(guān)聯(lián)維等方面研究了船舶輻射噪聲的混沌現(xiàn)象，發(fā)現(xiàn)船舶輻射噪聲信號確實存在混沌吸引子，且不同類別的信號具有不同的吸引子維數(shù)。這一結(jié)果將為水聲信號處理，為水下目標(biāo)探測和識別提供嶄新的理論手段。關(guān)鍵詞:混沌現(xiàn)象水聲信號處理船舶噪聲輻射噪聲艦船輻射噪聲超混沌現(xiàn)象研究水中混響的混沌屬性分析

Chaoscharacteristicanalysisofunderwaterreverberation水中混響的混沌屬性分析用非線性動力學(xué)的理論方法分析實驗水池混響，湖水混響以及海洋混響時間序列，以檢驗記錄的混響過程是否能用低維非線性動力學(xué)建模，以及是否存在混沌屬性，被分析要自不同的地理位置，不同的底質(zhì)和水文環(huán)境，對應(yīng)不同的聲源，有一定的代表性。分析結(jié)果說明混響可在低至4維的動力學(xué)空間中展現(xiàn)不自交的動力學(xué)軌道，相近軌道按指數(shù)規(guī)律擴展或斂聚，其最大Lyapunov指數(shù)是正的且小于0.3。這個結(jié)果為混響的非線性動力學(xué)建模和基于混沌的非線性處理奠定根底。

關(guān)鍵詞:水中混響混沌屬性非線性動力學(xué)時間序列動力學(xué)建模水聲探測有源探測混沌時間序列的Volterra自適應(yīng)預(yù)測

Predictinglow-dimensionalchaotictimeseriesusingvolterraadaptivefilters混沌時間序列的Volterra自適應(yīng)預(yù)測基于混沌動力系統(tǒng)相空間的延遲坐標(biāo)重構(gòu)，提出了一種預(yù)測混沌時間序列的Volterra自適應(yīng)濾波預(yù)測法，對８種低維混沌序列采用二階Volterra自適應(yīng)濾波器進(jìn)行預(yù)測的實驗結(jié)果說明：當(dāng)濾波器的長度Ｎ１足夠大時，