滑动近似熵在径流序列突变性分析中的应用

在气候变化和人类活动的双重影响下,水文序列发生了变异。利用渭河流域林家村站1960-2000年共41年的日径流序列资料,采用近似熵方法和滑动技术相结合的方法,对其径流时间序列进行突变分析。分析结果表明,在不同的滑动窗口和步长情况下,林家村站径流序列在动力学结构上呈现出明显的四个特点,突变时间发生在1972,1982,1994年;相对于传统的突变分析方法,滑动近似熵在分析非线性时间序列中呈现出分辨率高,抗干扰性强的特点。滑动近似熵能够对变化环境下的高度复杂、非线性径流时间序列的突变有效地进行诊断,可为径流时间序列突变提供一种思路。

基于滑动移除近似熵的泾河径流序列变异分析

利用滑动移除近似熵对泾河张家山站1960—2001年径流序列的变异点进行了分析。结果表明:张家山站径流序列在1967年、1971年、1983年、1996年均发生了变异;相对于滑动近似熵和Mann-Kendall检验法,滑动移除近似熵的诊断结果更加稳定,具有对滑动窗口的依赖性小、方法简便、检测准确性高等特点。

基于近似熵的交通流序列趋势变化检测

交通流趋势变化特征分析是交通流预测的基础.为了提取交通流序列随时间推移所呈现出来的宏观变化规律,提出了一种用于检测交通流序列趋势变化的滑动移除近似熵方法.通过对交通流序列趋势规律进行研究,首先将其细分为上升趋势、平稳波动趋势、下降趋势,然后根据不同趋势变化的时间序列复杂程度不同,建立了滑动移除近似熵方法求解其滑动移除近似熵的值,并根据得到的时间序列提取交通流序列趋势变化.最后以北京市四环路某一断面交通流序列为例,用建立的模型对交通流序列趋势变化进行检测,并与滑动t检验方法结果对比.研究结果表明本文提出的方法能够对交通流序列趋势变化进行检测,且检测结果与实际交通流序列趋势变化比较吻合,研究结论可为短时交通流预测建模提供参考依据.

噪声对滑动移除近似熵的影响

受外强迫和仪器本身的测量误差等因素的影响,观测数据中经常包含噪声和扰动等一些虚假的信息.针对这一问题,本文研究了各种不同噪声对滑动移除近似熵的影响.研究结果表明,滑动移除近似熵的检测结果受尖峰噪声和高斯白噪声的影响较小,意味着其具有很强的抗噪能力,这为该方法在实际观测资料中的广泛应用提供了坚实的实验基础.

不同趋势对滑动移除近似熵的影响

许多观测资料中存在着各种各样的趋势,如季节变化引起的周期性趋势、全球变暖所造成的线性趋势、多项式趋势等.鉴于此,本文研究了各种趋势对滑动移除近似熵的影响.数值试验结果表明,周期性趋势、线性趋势及非线性趋势均对滑动移除近似熵的突变检测结果影响较小,论证了滑动移除近似熵方法检测突变的可靠性,为该方法在实际观测资料中的广泛应用提供了实验基础.

基于近似熵的突变检测新方法

近似熵是一个有效的非线性动力学指数,能够用于表征时间序列的复杂性,通过滑动窗口技术,近似熵对于一维时间序列的动力学结构突变具有一定的识别能力,但其突变检测结果依赖于子序列长度的选择,且不能准确定位突变点.鉴于此,本文提出了一种新的突变检测方法——滑动移除近似熵.测试结果表明,滑动移除近似熵具有检测结果稳定性好、准确性高等特点,明显优于滑动近似熵和Mann-Kendall方法,其在实际观测资料中的应用进一步证实了新方法的可靠性.

碳纤维复合材料拉伸损伤声发射信号MC-ApEn分析

采用滑动移除近似熵(MC-ApEn)分析碳纤维环氧树脂复合材料拉伸损伤过程中产生的声发射信号。从信号的无序性、复杂性及动力学平衡角度描述基体开裂、纤维/基体脱胶及纤维断裂三种典型声发射信号的近似熵谱特征并给出相应解释。用MC-ApEn分析载荷、计数、声发射能量与时间的相关曲线。由不同趋势间过渡引起的近似熵突变发现,拉伸断裂过程被两结构突变时间点划分为三个不同阶段,并据其演进特点推荐复合材料拉伸失效的临界载荷。

基于短时心率变异特征ST-fApEn的阻塞性睡眠呼吸暂停疾病状态分析方法研究

目的提出基于滑动趋势模糊近似熵(ST-fApEn)的短时心率变异性(HRV)分析动态特征,以提高阻塞性睡眠呼吸暂停(OSA)的检测精度及疾病状态的分析能力。方法使用Physionet的ApneaECG数据库中20例正常对照样本和40例OSA样本,分成一系列5min的片段。根据该片段是否发生暂停分为正常对照组(N-N组,20例),OSA患者正常片段组(P-N组,40例)和OSA患者呼吸暂停片段组(P-OSA组,40例)。通过使用经验模态分解(EMD)结合滑动窗的方法来获得RR序列的趋势斜率序列,并对其进行复杂度分析得到ST-fApEn,分析不同疾病状态。结果与SD、RMS、PNN50和LF/HF等HRV静态特征相比,ST-fApEn不仅在3种不同疾病状态组的任意2组都有显著性差异,且OSA的检测精度显著提高到85.0%,敏感性和特异性也分别达到了82.5%和90.0%。结论提出的ST-fApEn动态特征使OSA的检测精度得到显著提高,是鉴别健康人、OSA患者不发病时和发病时不同疾病状态的一个有效检测指标。