时间序列分析

1. 时间序列分析

1.2 知识点

原始数据为每日微震时刻及对应的微震能量值，日期有缺失。
对原始数据进行处理，获得每日最大能量及每日累计能量值，标记大能量事件及次大能量事件。
对每日最大能量值分别做包络、滑动平均、滑动方差。

样 本 熵 (sample entropy，SampEn) 是由Richman提出的一种时间序列复杂性测度方法，可以用 $SampEn(m,r,N)$来表示，其中 $N$ 为长度，$r$为相似容限，维数为$m$ 及 $m+1$。
样本熵的具体算法如下: 设原始数据为 $x(1)，x(2)，\dots x(N)$，共 $N$ 点。
步骤 1:按序号连续顺序组成一组 $m$ 维矢量$X(i) = ［x(i)，x(i + 1)，…，x(i + m － 1)］，
i = 1 ～ N － m + 1 $
步骤 2:定义$X(i)$与$X(j)$之间的距离$d[X(i)，X(j)]$为两者对应元素中差值最大的一个，即

步骤 3:给定阈值 $r$，对每一个 $i$ 值统计$d[X(i)，X(j)]$小于 $r$ 的数目及此数目与距离总数 $N－m$ 的比值，记作$B_i^m(r)$，即

步骤 4:

步骤 5:将维数加 $1$，即对于 $m+1$ 点矢量，重复步骤 1 ～ 4，得到$B^{m+1}(r)$
步骤 6:理论上此序列的样本熵为

当 N 有限时，上式表示为$SampEn(m，r，N)=－ln[B^{m+1}(r)/B^m(r)]$
SampEn 的值显然与 $m$ 和 $r$ 的取值有关。不同的嵌入维数 $m$ 和相似容限 $r$ 对应的样本熵也不同。在一般情况下$ m = 1 或 2，r = 0. 1 ～ 0. 25 SD$($SD$是原始数据的标准差)计算得到的样本熵具有较为合理的统计特性。样本熵的计算不依赖数据长度，一致性高，可以应用于随机过程 。
参考：
信号处理算法（2）：样本熵（SampEn）
样本熵综述摘抄

STFT（short-time Fourier transform，短时傅里叶变换） 是和傅里叶变换相关的一种数学变换，用以确定时变信号其局部区域正弦波的频率与相位。
DFT（Discrete Fourier Transform，离散傅里叶变换） 是傅里叶变换在时域和频域上都呈离散的形式，将信号的时域采样变换为其DTFT的频域采样。
FFT（Fast Fourier Transformation，快速傅里叶变换） 是离散傅氏变换（DFT）的快速算法。即为快速傅氏变换。
参考：
如何理解傅里叶变换公式？
如果看了此文你还不懂傅里叶变换，那就过来掐死我吧

数字信号处理公式变程序（五）——仿matlab的spectrogram函数（STFT）
短时傅里叶分析：spectrogram函数

FFT的详细解释，相信你看了就明白了
FFT详解
FFT与多项式乘法
Matlab中fft的正确简单理解

小波变换：
小波变换
傅里叶变换&短时傅里叶变换&小波变换
能不能通俗的讲解下傅立叶分析和小波分析之间的关系？

S变换：
S变换在特征提取中的使用
S变换源代码：http://www.ilovematlab.cn/thread-286444-1-1.html
https://ww2.mathworks.cn/matlabcentral/fileexchange/45848-stockwell-transform-s-transform

信息增益：
特征选择之信息增益法
特征选择方法之信息增益
数据挖掘笔记-特征选择-信息增益
决策树算法-信息熵-信息增益-信息增益率-GINI系数

主成分分析：
主成分分析PCA

参考集：
时间序列分析
信号与系统实用总结

特征选择方法
参考：遗传算法与SVM相结合的特征选择方法
特征选择之遗传算法

二分类模型评价指标
参考：二分类模型评价指标-总结
分类模型的评价指标–混淆矩阵，ROC，AUC，KS，Lift，Gain
机器学习模型评估：ROC，AUC，KS，GINI，Lift，Gain 总结
深入理解AUC
AUC，ROC我看到的最透彻的讲解