混沌时间序列特征分析及其应用

本书以复杂系统产生的混沌时间序列为研究对象，重点论述了混沌时间序列的特征选择与因果关系分析方法，介绍了混沌时间序列的分解算法与组合预测模型，并探讨了脑电时间序列的特征提取与分类方法。本书系统地介绍了研究团队在混沌时间序列特征分析方面的近期新研究进展，并给出了自然、工业、医学等领域的多个典型应用案例， 本书适合机器学习、时间序列分析等方向的本科生和研究生阅读，也可供从事复杂系统建模、混沌时间序列预测等领域的研究人员和工程技术人员参考。

无

第1章 绪论
1.1 研究背景及意义
1.2 多元混沌时间序列特征分析基本方法
1.2.1 多元混沌时间序列的特征提取方法
1.2.2 多元混沌时间序列的特征选择方法
1.3 主要研究内容及结构
参考文献
第2章 混沌时间序列的特征选择方法
2.1 特征选择方法概述
2.2 互信息分步式特征选择算法
2.2.1 k-近邻互信息估计
2.2.2 分步式特征选择算法
2.2.3 分步式算法用于RBF网络隐层节点选择
2.2.4 仿真实例
2.3 基于相对变化面积的灰色关联模型
2.3.1 模型建立
2.3.2 基本性质
2.3.3 基于集合思想的特征选择及预测模型
2.3.4 仿真实例
2.4 基于向量的灰色关联模型
2.4.1 基于向量的改进灰色关联模型
2.4.2 基本性质
2.4.3 仿真实例
参考文献
第3章 混沌时间序列的因果关系分析方法
3.1 混沌时间序列的因果关系分析方法概述
3.1.1 Granger因果关系分析
3.1.2 基于信息理论的因果分析方法
3.1.3 基于状态空间的因果分析方法
3.2 混沌时间序列的因果关系分析方法对比
3.3 基于HSIC-Lasso的Granger因果关系分析模型
3.3.1 Hilbert-Schmidt独立性准则
3.3.2 HSIC-Lasso模型
3.3.3 基于HSIC-Lasso的Granger因果关系分析
3.3.4 仿真实例
3.4 基于HSIC-GLasso的Granger因果关系分析模型
3. 4.1 HSIC-GLasso模型
3.4.2 基于HSIC-GLasso的Granger因果关系分析
3.4.3 仿真实例
参考文献
第4章 混沌时间序列的分解方法与组合预测模型
4.1 混沌时间序列经验模态分解方法概述
4.1.1 集成经验模态分解
4.1.2 完整集成经验模态分解
4.1.3 具有自适应噪声的完整集成经验模态分解
4.2 基于经验模态分解的组合预测模型
4.2.1 基本算法
4.2.2 基于EEMD和ESN的组合预测模型
4.2.3 基于EEMD-PE和ESN的组合预测模型
4.2.4 仿真实例
4.3 基于两层分解技术的组合预测模型
4.3.1 基本算法
4.3.2 基于两层分解技术和BP神经网络的组合预测模型
4.3.3 仿真实例
参考文献
第5章 脑电时间序列的特征提取方法与分类模型
5.1 脑电时间序列特征提取方法概述
5.2 脑电时间序列混合特征提取算法
5.2.1 自回归模型
5.2.2 小波变换和小波包变换
5.2.3 样本熵
5.2.4 混合特征提取算法
5.2.5 仿真实例
5.3 集成极限学习机分类模型
5.3.1 极限学习机的基本原理
5.3.2 基于线性判别分析的集成极限学习机模型
5.3.3 仿真实例
5.4 基于互信息的多元脑电时间序列特征提取算法
5.4.1 基于互信息的多元时间序列特征提取
5.4.2 基于类可分离性和变量可分离性的特征选择
5.4.3 仿真实例
参考文献