排列熵（Permutation Entropy）详解

排列熵（Permutation Entropy）详解

排列熵（Permutation Entropy，简称 PE）是一种用来衡量信号复杂度和随机性的方法。与传统的熵定义不同，排列熵不依赖于信号的数值大小，而是关心信号数值的排序关系。它主要应用于时间序列的分析中，能够反映信号的复杂性、随机性以及规律性，尤其在混沌系统和非线性动力学的研究中被广泛使用。

目录

1. 什么是排列熵？
2. 排列熵的数学原理
3. 排列熵的计算方法
4. 排列熵的物理意义
5. 排列熵的应用场景
6. 示例代码

什么是排列熵？

排列熵（Permutation Entropy, PE）是一种基于时间序列中各点值的排列模式的熵度量方法。它通过观察时间序列中数值的排序，而不是数值本身来度量信号的复杂度。排列熵是衡量信号序列中信息随机性的一种方式，能够反映信号的动态行为特性。

直观理解

排列熵并不直接依赖于数据点的数值，而是依赖于数据点的排序情况。例如，对于一个长度为 $m$ 的时间窗口，排列熵度量的是每个窗口内数值的相对顺序。

• 如果信号的排列模式很有序，比如在一个窗口内数据总是按升序排列，那么排列熵就会较小。
• 如果信号的排列模式非常混乱和随机，那么排列熵就会较大。

排列熵的核心思想是：通过分析数值的排序关系来计算系统的复杂性，而不需要关心具体的数值大小。

排列熵的数学原理

排列熵的核心原理是计算时间序列中不同排列模式的概率分布，并基于这些概率分布计算信息熵。数学公式可以分为以下几个步骤：

步骤 1：选择嵌入维度 $m$ 和延迟时间 $\tau$

• 嵌入维度（$m$）：指的是每个窗口中包含多少个数据点。较小的 $m$ 适合于分析短期的动态，较大的 $m$ 则适合分析长期的依赖关系。
• 延迟时间（$\tau$）：控制在时间序列中相邻数据点之间的时间距离。延迟时间一般取 1 或根据具体信号的特性选择。

步骤 2：构建时间序列的嵌入空间

给定时间序列 x = { x 1 , x 2 , x 3 , … , x N } x = \{x_1, x_2, x_3, \dots, x_N\} x={ x1​,x2​,x3​,…,xN​}，我们将时间序列转换为多个窗口（也称为嵌入向量）。每个窗口的长度为 $m$，并且窗口内的数据点通过延迟 $\tau$ 来提取。对于给定的时间点 $t$，我们可以得到如下的嵌入向量：
X ( t ) = { x t