随机分布嵌入（RDE）框架详解附代码

最新推荐文章于 2023-02-27 22:43:11 发布

想学好数学的吕潇湘

最新推荐文章于 2023-02-27 22:43:11 发布

阅读量1.7k

点赞数 1

分类专栏：时间序列预测信号处理随机分布嵌入文章标签：回归 matlab 数据挖掘机器学习算法

本文链接：https://blog.csdn.net/LusionLv/article/details/125171258

版权

本文介绍了随机分布嵌入（RDE）理论，它是一种无模型框架，用于根据短期高维数据预测未来动态。在面临高维数据和少量数据时，RDE利用维度间的关系增强预测能力。文章详细讲解了RDE的实施，包括主函数、错误值处理和预测代码，展示了如何使用GPR（高斯过程回归）在MATLAB中实现RDE预测，并给出了预测结果。

摘要由CSDN通过智能技术生成

介绍

研究了好一阵子马欢飞老师在PNAS上发的文章，下面附上个人的研究心得与代码与大家讨论。

在基于非线性系统的理论基础上，延迟嵌入理论以及广义嵌入理论等相空间重构的理论基础上，观察者便有可能从一个观察到的系统中的时间序列数据中重建一个低维吸引子。通过对N维时间序列进行相空间重构，三维的吸引子可以被重建出来，并且认为这种重建出来后的系统，保留了原始系统的动态特性。随机分布嵌入理论表明，在通过延迟嵌入和非延迟嵌入重构出的相空间之间，存在一定的映射关系，因此可以通过非延迟嵌入重构出的相空间转化为延迟嵌入的相空间，从而达成预测。

随机分布嵌入（RDE）框架是2018年Huanfei Ma在PNAS刊中提出的无模型框架，用于根据观察到的短期高维数据来准确预测未来动态。RDE框架可以被看做是观测到的高维变量之间的空间信息与时间动力学的时间相关概率分布之间的交换方案。在面临原始数据的维度灾难和数据量匮乏的窘境时，随机分布嵌入框架可以使用高维中各维度之间的联系，获得更多的信息量，用以弥补数据量不足所带来的困难，因此，其显著提高了目标变量之间的可预测性。通过对代表性模型和真实系统产生的短时高维数据使用RDE框架，表明即使在噪声扰动之下，高维特征也不再是短期数据准确预测的障碍，而是信息来源。