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
S
a
m
p
E
n
(
m
,
r
,
N
)
SampEn (m,r,N)
SampEn(m,r,N)来表示,其中
N
N
N 为长度,
r
r
r为相似容限,维数为
m
m
m 及
m
+
1
m + 1
m+1。
样本熵的具体算法如下: 设原始数据为
x
(
1
)
,
x
(
2
)
,
…
x
(
N
)
x(1),x(2),…x(N)
x(1),x(2),…x(N),共
N
N
N 点。
步骤 1:按序号连续顺序组成一组
m
m
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
)
X(i)
X(i)与
X
(
j
)
X(j)
X(j)之间的距离
d
[
X
(
i
)
,
X
(
j
)
]
d[X(i),X(j)]
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
r
r,对每一个
i
i
i 值统计
d
[
X
(
i
)
,
X
(
j
)
]
d[X(i),X(j)]
d[X(i),X(j)]小于
r
r
r 的数目及此数目与距离总数
N
-
m
N-m
N-m 的比值,记作
B
i
m
(
r
)
B_{i}^{m}(r)
Bim(r),即
步骤 4:
步骤 5:将维数加
1
1
1,即对于
m
+
1
m + 1
m+1 点矢量,重复步骤 1 ~ 4,得到
B
m
+
1
(
r
)
B^{m+1}(r)
Bm+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
S
a
m
p
E
n
(
m
,
r
,
N
)
=
-
l
n
[
B
m
+
1
(
r
)
/
B
m
(
r
)
]
SampEn(m,r,N) = - ln[B^{m+1}(r)/B^{m}(r)]
SampEn(m,r,N)=-ln[Bm+1(r)/Bm(r)]
SampEn 的值显然与
m
m
m 和
r
r
r 的取值有关。不同的嵌入维数
m
m
m 和相似容限
r
r
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
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