第二章 分形分形维数对复杂性2012.ppt

另一个例子： 这幅图可以代表很多实际情况，我们清楚地看出，这幅图分为两个部分，以100左右为分界点。它可以看成是某个设备从正常运行到发生故障或者是意外情况的一个时间序列。100以前的点是正常运行的情况，而100以后则是出了意外的情况。 我们分段计算这张图的分形维数 时间段 分形维数 0~32 1.020539 33~65 1.011798 68~98 1.020329 99~131 1.573678 时间段 分形维数 0~32 1.020539 33~65 1.011798 68~98 1.020329 99~131 1.573678 我们可以看到，在故障时间段，分形维数有着急剧地增长。因此，只要长期以分形维数为指标来跟踪一个系统，就可以很灵敏地发现很多不正常的运行状态。 分形维数与预测精确程度的关系 我们已经知道，分形维数可以反映曲线的不规则程度，而对于有随机因素的曲线，不规则程度越大，预测的误差也就越大，关于分形维数与预测精确度，存在如下关系： 此图摘录自国外文献资料 下面举两个更有实际意义的例子来说明分形在时间序列预测上的重要意义，这两个时间序列皆由C程序生成。 例一： 关键代码：for(int i=0 ; i1000 ; i++) { outi ; outi+rand()%100-50endl; } 此代码产生的是一个随时间线性增长，但是又有一个均值为零的随机扰动的时间序列 如果需要给这幅图一段描述性的文字，我想大致可以这样说： 在短期内局势动荡不安，在长期内长势看好，总体来说，是在曲折中前进。 实际生活中，这样的例子很多。社会主义不也是在曲折中前进的吗？ DIM=??? 根据这幅时间序列图像，下列的自然语言描述应该可以认为是合理的： 关于预测方面，短期内动荡不安，预测难度较大，但长期内总体走势趋于线性增长，因此作长期预测较为合理。 我们要使用维数来验证这些描述 运行参数：横向无压缩 计算文件中所有数据 运行结果： 分形维数是 1.593908 这些数据貌似没有说服力，不能验证刚才的描述？ 改变运行参数，再来一遍！ 横向压缩比 分形维数 1 1.593908 10 1.340607 20 1.148541 30 1.057820 横向压缩比 分形维数 1 1.593908 10 1.340607 20 1.148541 30 1.057820 我们可以看出，分形维数随着横向压缩比的增加而下降。对坐标进行横向压缩，也就是将横坐标的单位尺度变大，亦即： Y(t)=X(t*k) k即为横向压缩比 X(t)为原始时间序列，Y（t）为压缩后时间序列 对横坐标的压缩，相当于细化局部，强化整体，细化短期，突出长期 而维数的随之下降，也就很好的说明了时间序列在长期的走势是稳定的，尽管在短期内是比较混乱的。这样就很好的验证了我们的自然语言描述 例二： 关键代码： int ran; int last=0; for(int i=0 ; i1000 ;) { ran=rand()%20+1; if(ran%2==0) { for(int j=0 ; jran ; j++) { outi last+1endl; last++; i++ ; } } else { for(int j=0 ; jran ; j++) { outi last-1endl; last--; i++; } } } 此代码所产生的时间序列在短时间内可保持稳定的上升或者下降，但是在长期内却飘忽不定，这个特点在它的图像上可以明显反映出来： 长期走势 上图的一个局部放大：短期走势 维数计算如下： 横向压缩比 分形维数 1 1.095959 10 1.280172 20 1.408911 横向压缩比 分形维数 1 1.095959 10 1.280172 20 1.408911 由上表可以看出，随着横向压缩比的增加，亦即随着宏观特征的逐步体现亦即局部特征的逐步衰退，分形维数是随之上升的，也就是说图像的不规则性是逐渐上升的。这就和我们前面所描述的：图像在短期内走势稳定，但是在长期内飘忽不定达成了很好的一致。 2.4运用分形方法分析股票市场 用波浪理论来分析股市，除了需懂得波浪理论的种种规则以外，最重 要的就是提高数浪的准确性。而提高数浪准确性，归根到底，就是如何界 定与划分波浪：从哪里到哪里可算一个浪，从哪里到哪里不能算一个浪； 哪些是同一级别的浪，哪些不是。这就需要我们对走势进行适当的过滤。 只有过滤掉一些次级波动，才能清楚地看出市势轮廊，从而把同一等级的 浪数清楚。 有三种方法可帮我们过滤。一种是取周、月、