观测窗中多元非线性时间序列的分析.pdfVIP

维普资讯 卫 盔一堡 (电子科技大学 电子工程幕．成都 610054) ／牛。2 (1997年 4月11日收到) 从观察的角度去了解原有系统的特性，不同程度上会受到观测手段的限制．针对一个观 测窗口获得的多元时间序列，利用一种能够更好地体现多元时间序列复杂的时空结构的多元 奇异系统分析方法，研究多元序列的相关维数和最大李雅普诺夫指数的变化 利用多层感知 器神经阿络模型分析其可预测性．研究发现，随着观测窗中多元时间序列的变量数 目的增加， 反映出的复杂性有所提高．稳定性会产生波动．且相应的可预测性也会产生一些差异 PAOC：0545 1 }l 言 时间序列分析主要体现在预测、建模和特征刻划三个方面．预测就是对系统的演化作 短期的精确预报 ．建模则表现出对系统长期行为的准确描述．预测和建模虽是相互覆盖的 两个方面，但在一定程度上表现出不同的特点．例如，用线性模型方法对非线性时间序列 作局部预测，一定程度上可以得到较准确的结果，但并不能反应序列长期的形态．而基于 神经网络的非线性模型以数十个数据便可在一定程度上体现出混沌序列的长期形态…， 却又无法用于精确的预测．预测和建模有时又表现为一个过程的两个方面．系统特征描述 的 目的则是试图通过较步的先验知识或无任何先验知识的条件下确定系统的基本特征， 如系统的自由度的数 目等．系统的复杂程度显然与预测所用模型的复杂程度不同，但是对 系统性质的了懈又有助于预测和建模，例如确定嵌入维数及了懈可预测性等．同时从建模 的角度提供足够的分析数据显然又有助于对系统特性的了懈．可以看出，时间序列分析的 三个方面交织在一起，相互依赖．从圣塔菲(SantaFe)时间序列预测和分析竞赛结果就可 看出这样一个趋势：简单的 “黑匣子”方法一般都失败，而所有入围的成功者都经过了数据 的仔细分析处理过程 J． 多元非线性时间序列的研究比单变量时间序列的研究要少得多．绝大多数相空间重 构及其分析的应用都是针对从单一传感器上得到的单变量时间序列 延时重构只是 由于 同时获取多个传感器上一定精度的数据出现困难时，对标量时间序列采取的一个折衷方 法．描述一个非线性系统的各个变量之间并不是相互独立的，各变量之闻的相关程度不 同，且反映系统的动力学特征的水平也有差异．当系统的多个变量可 以同时观测时，我们 所获取的信息应该比同样长度的单变量序列要多_3J．实际应用中确实有可能得到多个通 道的时间序列观测值，例如，在旋转热对流实验中，在不同位置放置 16个探头对温度进行 维普资讯 物 理 学 报 46卷 测量H]．从重构的相图和相关维数的估计来看．多个通道数据的分析比单个通道获得更 好的结果．另外，在圣塔菲时间序列预测和分析竞赛中，有一组由心率、呼吸和血氧浓度等 生理数据组成的多变量时间序列5【对这一组长达283rain记录下来的数据．考虑到信号 的非平稳性、外界的影响和各变量间复杂的关系等因素，对数据的分析需格外仔细．从本 质而言，仅就这三个变量的数据进行分析，要想真正反映出复杂的生理机制比较困难，分 析的结果也正说明了这一点．由此可见，实际应用中往往一方面会表现出一定的复杂性和 特殊性，另一方面在探索事物的本质上又存在着一定的共性． 对一个系统进行观测时，有时会有多个变量同时出现在一个观测窗中的情况，例如， 在频域上观察到几个窄带的信号，每个窄带信号都代表一个通信电台发射的信号．在频谱 上信号的频率显然只能从小到大排列．于是，当通信电台是跳频 电台时，我们在频谱上观 察到的频率的跳变也总是从小到大排列，也就无法具体跟踪某一个电台频率跳变的规律． 所得到的多元变量序列与原来每个电台对应一个变量构成的多元序列完全不同 两种多 元序列虽有本质的联系．但所反应的特性已完全不同．尤其是对用混沌跳频码控制跳频变 化的跳频多址通信网L6]，我