递归定量分析(RQA)详解

递归定量分析(RQA)详解

1. 引言

递归定量分析(Recurrence Quantification Analysis, RQA)是一种用于分析非线性动力系统的强大工具，它能够量化系统中的重复模式和结构特征。这种方法最初由Zbilut和Webber于1992年提出，随后由Marwan等人进一步扩展和完善。RQA是建立在递归图(Recurrence Plot, RP)基础上的定量分析方法，通过将递归图中的各种结构特征量化，从而揭示动力系统的内在特性。

2. 递归图的基本原理

2.1 庞加莱回复性定理

递归图的理论基础可以追溯到庞加莱回复性定理。该定理指出：在一定的条件下，系统的某个状态在经过充分长的时间后，将回到初始状态附近。数学上，对于一个哈密顿系统，几乎所有的轨道都是回复的，即对于相空间中的任意区域 $\Omega$，几乎所有从 $\Omega$ 出发的轨道都会无限多次地返回该区域。

形式化表述为：对于相空间 $\mathcal{M}$ 中的一个点 $\mathbf{x}$，如果它所在轨道是回复的，则对于任意 $\epsilon >0$，存在无穷多个时间点 { t k } k = 1 ∞ \{t_k\}_{k=1}^{\infty} {tk​}k=1∞​，使得：

$$\Vert \mathbf{x}(t_k)-\mathbf{x}\Vert <\epsilon ,k=1,2,\dots ,\infty$$

其中，$\mathbf{x}(t)$ 表示从 $\mathbf{x}$ 出发，经过时间 $t$ 后的系统状态。

2.2 相空间重构

构造递归图的关键步骤是进行相空间重构。相空间重构基于嵌入理论，其核心是Takens嵌入定理。

2.2.1 Takens嵌入定理

对于一个 $d$ 维动力系统：

$$\frac{d\mathbf{x}}{dt}=\mathbf{F}(\mathbf{x}),\mathbf{x}\in {\mathbb{R}}^d$$

假设我们只能观测到一个标量时间序列 { s ( t i ) } i = 1 N \{s(t_i)\}_{i=1}^N {s(ti​)}i=1N​，Takens定理指出，在一定条件下，我们可以通过时间延迟坐标法重构一个与原系统拓扑等价的相空间。具体来说，如果原系统的吸引子维数为 $d_A$，则对于几乎所有的光滑观测函数 $h:{\mathbb{R}}^d\to \mathbb{R}$，重构向量：

$$\mathbf{y}(t)=[s(t),s(t-\tau ),s(t-2\tau ),\dots ,s(t-(m-1)\tau )]$$

形成的 $m$ 维相空间（其中 $m\ge 2d_A+1$，$\tau$ 为时间延迟）与原系统的吸引子在拓扑上是等价的，即存在一个微分同胚 $\Phi :\mathcal{A}\to {\mathcal{A}}^{\prime }$，将原系统的吸引子 $\mathcal{A}$ 映射到重构空间中的吸引子 ${\mathcal{A}}^{\prime }$。

2.2.2 延迟坐标法的数学表述

给定时间序列 { s ( t i ) } i = 1 N \{s(t_i)\}_{i=1}^N {s(ti​)}i=1N​，重构的相空间向量为：

$$\mathbf{y}(t_i)=[s(t_i),s(t_i-\tau ),s(t_i-2\tau ),\dots ,s(t_i-(m-1)\tau ){]}^T$$

其中，$i=(m-1)\tau +1,(m-1)\tau +2,\dots ,N$，$\tau$ 是时间延迟，$m$ 是嵌入维度。

重构的相空间轨道可以表示为一个矩阵：

$$\mathbf{Y}=\left[\begin{array}{cccc}s(t_{(m-1)\tau +1})& s(t_{(m-1)\tau +1-\tau })& \cdots & s(t_{(m-1)\tau +1-(m-1)\tau })\\ s(t_{(m-1)\tau +2})& s(t_{(m-1)\tau +2-\tau })& \cdots & s(t_{(m-1)\tau +2-(m-1)\tau })\\ ⋮& ⋮& \ddots & ⋮\\ s(t_N)& s(t_N-\tau )& \cdots & s(t_N-(m-1)\tau )\end{array}\right]$$

2.3 最优嵌入参数的确定

2.3.1 时间延迟的确定

时间延迟 $\tau$ 的选择对相空间重构的质量有重要影响。太小的 $\tau$ 会导致重构向量的分量高度相关，太大的 $\tau$ 则可能导致分量之间失去关联。通常使用以下方法确定最优时间延迟：

1. 互信息法：最优时间延迟 ${\tau }_{opt}$ 是互信息函数 $I(\tau )$ 的第一个局部极小值：

$$I(\tau )=\sum _{i,j}{p}_{ij}(\tau ){\log }_2\frac{p_{ij}(\tau )}{p_i{p}_j}$$

其中，$p_i$ 是信号值落在第 $i$ 个区间的概率，$p_j$ 是信号值落在第 $j$ 个区间的概率，$p_{ij}(\tau )$ 是信号值在时间 $t$ 落在第 $i$ 个区间且在时间 $t+\tau$ 落在第 $j$ 个区间的联合概率。

2. 自相关函数法：最优时间延迟 ${\tau }_{opt}$ 是自相关函数 $C(\tau )$ 首次降到 $1/e$ 或首次过零点的时间：

$$C(\tau )=\frac{{\sum }_{i=1}^{N-\tau }(s(t_i)-\bar{s})(s(t_{i+\tau })-\bar{s})}{{\sum }_{i=1}^N(s(t_i)-\bar{s}{)}^2}$$

其中，$\bar{s}$ 是时间序列的平均值。

3. Theiler窗口：为了避免时间相关性带来的假递归，通常使用Theiler窗口 $w$ 排除主对角线附近的点：

$$w\ge {\tau }_{decorr}$$

其中，${\tau }_{decorr}$ 是序列的装饰时间，通常取为自相关函数首次降到零的时间。

2.3.2 嵌入维度的确定

嵌入维度 $m$ 的选择也是相空间重构的关键。理论上，$m\ge 2d_A+1$ 足以确保重构的拓扑等价性，但在实际应用中，我们通常不知道吸引子的真实维数 $d_A$。常用的确定嵌入维度的方法是假近邻法(False Nearest Neighbors, FNN)：

1. 对于每个点 ${\mathbf{y}}_i^{(m)}$ 在 $m$ 维相空间中，找到其最近邻点 ${\mathbf{y}}_j^{(m)}$。
2. 计算它们在 $m+1$ 维空间中的距离变化率：

$$R_i^{(m)}=\frac{\Vert {\mathbf{y}}_i^{(m+1)}-{\mathbf{y}}_j^{(m+1)}{\Vert }^2-\Vert {\mathbf{y}}_i^{(m)}-{\mathbf{y}}_j^{(m)}{\Vert }^2}{\Vert {\mathbf{y}}_i^{(m)}-{\mathbf{y}}_j^{(m)}{\Vert }^2}$$

3. 如果 $R_i^{(m)}>R_{thr}$（通常取 $R_{thr}=10$），则称点 ${\mathbf{y}}_i^{(m)}$ 和 ${\mathbf{y}}_j^{(m)}$ 为假近邻。
4. 计算假近邻点的比例：

$$FNN(m)=\frac{1}{N-(m+1)\tau }\sum _{i=1}^{N-(m+1)\tau }\Theta (R_i^{(m)}-R_{thr})$$

其中，$\Theta$ 是Heaviside函数。

5. 最优嵌入维度 $m_{opt}$ 是使 $FNN(m)$ 首次降到一个很小值（如1%）的最小 $m$ 值。

2.4 递归图的构造

当我们完成相空间重构后，即可构造递归图。递归图反映的是重构相空间中状态向量之间的距离关系。

$\text{定义}$：给定相空间轨道 { y i } i = 1 M \{\mathbf{y}_i\}_{i=1}^M {yi​}i=1M​ 和阈值 $\epsilon$，递归图的数学定义为一个二维二值矩阵 $\mathbf{R}$：

$$R_{i,j}(\epsilon )=\Theta (\epsilon -\Vert {\mathbf{y}}_i-{\mathbf{y}}_j\Vert ),i,j=1,2,\dots ,M$$

其中：

• $\Theta (\cdot )$ 是Heaviside阶跃函数
• $\Vert \cdot \Vert$ 是范数，通常使用欧几里得范数、最大范数或曼哈顿范数
• $M=N-(m-1)\tau$ 是重构相空间中的点数

为了考虑动力系统的时间相关性，通常使用Theiler窗口 $w$ 来排除主对角线附近的点，修正的递归图定义为：

$$R_{i,j}^{(w)}(\epsilon )=\Theta (\epsilon -\Vert {\mathbf{y}}_i-{\mathbf{y}}_j\Vert )\cdot \Theta (|i-j|-w),i,j=1,2,\dots ,M$$

阈值 $\epsilon$ 的选择对递归图的结构有重要影响。常用的选择方法包括：

1. 固定百分比：选择 $\epsilon$ 使递归点的比例为相空间体积的一个固定百分比（通常为1%-5%）。
2. 标准差的倍数：$\epsilon =k\cdot \sigma$，其中 $\sigma$ 是相空间点坐标的标准差，$k$ 通常取0.1-0.5。
3. 基于FAN算法：通过最大化递归图中斜线结构的比例来选择最优 $\epsilon$。

3. 递归定量分析(RQA)方法

递归图虽然直观地展示了系统状态的递归特性，但它只能进行定性分析。递归定量分析(RQA)通过引入一系列统计量，对递归图中的结构特征进行定量分析，从而揭示系统的动力学性质。

3.1 RQA的基本参数

3.1.1 递归率(RR)

递归率(Recurrence Rate)是递归点在递归图中的密度，定义为：

$$RR=\frac{1}{M^2}\sum _{i,j=1}^M{R}_{i,j}(\epsilon )=\frac{1}{M^2}\sum _{i,j=1}^M\Theta (\epsilon -\Vert {\mathbf{y}}_i-{\mathbf{y}}_j\Vert )$$

递归率与递归图中黑点的百分比相对应，它反映了系统状态递归的总体水平。考虑到Theiler窗口 $w$ 的影响，修正的递归率为：

$$R{R}^{(w)}=\frac{1}{M(M-w)}\sum _{i=1}^M\sum _{j=i+w}^M{R}_{i,j}(\epsilon )$$

3.1.2 对角线结构分析

递归图中的对角线结构对应于相空间轨道的平行段，反映了系统的确定性和可预测性。对角线的分布可以通过直方图 $P(l)$ 来表示，其中 $P(l)$ 是长度为 $l$ 的对角线的数量。

$\text{定义}$：对角线是递归图中平行于主对角线的连续递归点，满足：

R i , j ( ε ) = 1 , R i − 1 , j − 1 ( ε ) = 0 , R i + l , j + l ( ε ) = 0 , and R i + k , j + k ( ε ) = 1 ∀ k ∈ { 0 , 1 , … , l − 1 } R_{i,j}(\varepsilon) = 1, \quad R_{i-1,j-1}(\varepsilon) = 0, \quad R_{i+l,j+l}(\varepsilon) = 0, \quad \text{and} \quad R_{i+k,j+k}(\varepsilon) = 1 \quad \forall k \in \{0, 1, \ldots, l-1\} Ri,j​(ε)=1,Ri−1,j−1​(ε)=0,Ri+l,j+l​(ε)=0,andRi+k,j+k​(ε)=1∀k∈{0,1,…,l−1}

基于对角线分布，可以计算一系列RQA参数：

1. 确定性(DET)：形成对角线结构的递归点占总递归点的比例（通常只考虑长度不小于 $l_{min}$ 的对角线，$l_{min}$ 通常取2）：

$$DET=\frac{{\sum }_{l=l_{min}}^{M}l\cdot P(l)}{{\sum }_{i,j=1}^M{R}_{i,j}(\epsilon )}$$

确定性反映了系统行为的可预测性。随机系统的递归图中几乎只有分散的点，而确定性系统的递归图中包含较多的对角线。

2. 平均对角线长度(L)：对角线的平均长度：

$$L=\frac{{\sum }_{l=l_{min}}^{M}l\cdot P(l)}{{\sum }_{l=l_{min}}^{M}P(l)}$$

平均对角线长度反映了系统状态相似性持续的平均时长，与系统的可预测时间相关。

3. 最大对角线长度(Lmax)：最长对角线的长度（主对角线除外）：

L m a x = max ⁡ ( { l i } i = 1 N l ) L_{max} = \max(\{l_i\}_{i=1}^{N_l}) Lmax​=max({li​}i=1Nl​​)

其中， { l i } i = 1 N l \{l_i\}_{i=1}^{N_l} {li​}i=1Nl​​ 是所有对角线的长度集合，$N_l$ 是对角线的总数。

4. 发散度(DIV)：最大对角线长度的倒数：

$$DIV=\frac{1}{L_{max}}$$

发散度与系统的最大Lyapunov指数相关，表征了系统的混沌程度。

5. 对角线熵(ENTR)：对角线长度分布的Shannon熵：

$$ENTR=-\sum _{l=l_{min}}^{M}p(l)\ln p(l)$$

其中，$p(l)=\frac{P(l)}{{\sum }_{l=l_{min}}^{M}P(l)}$ 是长度为 $l$ 的对角线的概率分布。

对角线熵反映了系统动力学的复杂性和不确定性。

6. 趋势(TREND)：递归图中递归点密度随离主对角线距离变化的趋势：

$$TREND=\frac{{\sum }_{k=1}^{\tilde{N}}k\cdot {⟨{\mathbf{R}}_{i,i+k}⟩}_i-\frac{\tilde{N}(\tilde{N}+1)}{4}\cdot {\sum }_{k=1}^{\tilde{N}}{⟨{\mathbf{R}}_{i,i+k}⟩}_i}{{\sum }_{k=1}^{\tilde{N}}{k}^2-\frac{{\tilde{N}}^2(\tilde{N}+1{)}^2}{4}}$$

其中，${⟨{\mathbf{R}}_{i,i+k}⟩}_i=\frac{1}{M-k}{\sum }_{i=1}^{M-k}{R}_{i,i+k}(\epsilon )$ 是距主对角线 $k$ 个单位的对角线上递归点的密度，$\tilde{N}$ 是考虑的最大距离。趋势反映了系统的非平稳性程度。对于平稳系统，$TREND\approx 0$；对于非平稳系统，$TREND$ 的绝对值较大。

3.1.3 垂直结构分析

递归图中的垂直（或水平）结构对应于系统状态的持续性或间歇性，反映了系统的粘滞性。垂直线的分布可以通过直方图 $P(v)$ 来表示，其中 $P(v)$ 是长度为 $v$ 的垂直线的数量。

$\text{定义}$：垂直线是递归图中垂直于主对角线的连续递归点，满足：

R i , j ( ε ) = 1 , R i , j − 1 ( ε ) = 0 , R i , j + v ( ε ) = 0 , and R i , j + k ( ε ) = 1 ∀ k ∈ { 0 , 1 , … , v − 1 } R_{i,j}(\varepsilon) = 1, \quad R_{i,j-1}(\varepsilon) = 0, \quad R_{i,j+v}(\varepsilon) = 0, \quad \text{and} \quad R_{i,j+k}(\varepsilon) = 1 \quad \forall k \in \{0, 1, \ldots, v-1\} Ri,j​(ε)=1,Ri,j−1​(ε)=0,Ri,j+v​(ε)=0,andRi,j+k​(ε)=1∀k∈{0,1,…,v−1}

基于垂直线分布，可以计算一系列RQA参数：

1. 层状度(LAM)：形成垂直线结构的递归点占总递归点的比例（通常只考虑长度不小于 $v_{min}$ 的垂直线，$v_{min}$ 通常取2）：

$$LAM=\frac{{\sum }_{v=v_{min}}^{M}v\cdot P(v)}{{\sum }_{i,j=1}^M{R}_{i,j}(\epsilon )}$$

层状度反映了系统状态变化的平缓程度，与系统的间歇性相关。

2. 捕获时间(TT)：垂直线的平均长度：

$$TT=\frac{{\sum }_{v=v_{min}}^{M}v\cdot P(v)}{{\sum }_{v=v_{min}}^{M}P(v)}$$

捕获时间反映了系统在特定状态下停留的平均时长，与系统的粘滞性相关。

3. 最大垂直线长度(Vmax)：最长垂直线的长度：

V m a x = max ⁡ ( { v i } i = 1 N v ) V_{max} = \max(\{v_i\}_{i=1}^{N_v}) Vmax​=max({vi​}i=1Nv​​)

其中， { v i } i = 1 N v \{v_i\}_{i=1}^{N_v} {vi​}i=1Nv​​ 是所有垂直线的长度集合，$N_v$ 是垂直线的总数。

4. 垂直线熵(VENTR)：垂直线长度分布的Shannon熵：

$$VENTR=-\sum _{v=v_{min}}^{M}p(v)\ln p(v)$$

其中，$p(v)=\frac{P(v)}{{\sum }_{v=v_{min}}^{M}P(v)}$ 是长度为 $v$ 的垂直线的概率分布。

垂直线熵反映了系统间歇性的复杂程度。

3.1.4 递归周期密度熵(RPDE)

递归周期密度熵是一种归一化的信息熵，用于量化系统中周期结构的规律性：

$$RPDE=\frac{H(P(l))}{H_{max}}=\frac{-{\sum }_{l=l_{min}}^{M}p(l)\ln p(l)}{\ln (L_{max}-l_{min}+1)}$$

其中，$H_{max}=\ln (L_{max}-l_{min}+1)$ 是均匀分布情况下的最大熵值。

$RPDE$ 的值在0到1之间：$RPDE=0$ 表示系统是完全周期的，$RPDE=1$ 表示系统是完全随机的。

3.1.5 递归时间(RT)和递归周期(RP)

递归时间是系统状态首次递归所需的时间，定义为：

R T ( i ) = min ⁡ { j > 0 : ∥ y i + j − y i ∥ < ε } RT(i) = \min\{j > 0 : \|\mathbf{y}_{i+j} - \mathbf{y}_i\| < \varepsilon\} RT(i)=min{j>0:∥yi+j​−yi​∥<ε}

递归时间的统计特性可以通过递归时间直方图 $P(RT)$ 来分析，其中 $P(RT)$ 是递归时间为 $RT$ 的次数。

递归周期是递归时间的平均值：

$$RP=⟨RT⟩=\frac{1}{M}\sum _{i=1}^{M}RT(i)$$

对于周期系统，递归周期等于系统的周期；对于混沌系统，递归周期与系统的相关时间有关。

3.1.6 递归图上的转移概率

递归图可以视为一个马尔可夫过程，定义转移概率矩阵 $\mathbf{P}$：

$$P_{i,j}=\frac{R_{i,j}}{{\sum }_{k=1}^M{R}_{i,k}}$$

$P_{i,j}$ 表示系统从状态 $i$ 转移到状态 $j$ 的概率。通过分析转移概率矩阵的特征值和特征向量，可以获取系统动力学的更多信息。

3.2 RQA的多尺度扩展

3.2.1 多尺度递归图

多尺度递归图通过在不同时间尺度上构造递归图，揭示系统在不同尺度上的动力学特性。具体方法是先对原始时间序列进行粗粒化处理，然后在不同粗粒化尺度上构造递归图。粗粒化过程定义为：

$$s_{\tau }^{(n)}(i)=\frac{1}{n}\sum _{j=(i-1)n+1}^{in}s(j)$$

其中，$n$ 是粗粒化尺度，$s_{\tau }^{(n)}(i)$ 是第 $i$ 个粗粒化数据点。

多尺度递归图的数学定义为：

$$R_{i,j}^{(n)}(\epsilon )=\Theta (\epsilon -\Vert {\mathbf{y}}_i^{(n)}-{\mathbf{y}}_j^{(n)}\Vert )$$

其中，${\mathbf{y}}_i^{(n)}$ 是在粗粒化尺度 $n$ 上重构的相空间向量。

3.2.2 多尺度RQA

多尺度RQA将RQA参数在不同粗粒化尺度上进行计算，形成RQA参数随尺度变化的曲线，从而揭示系统在不同时间尺度上的动力学特性。例如，多尺度确定性定义为：

$$DE{T}^{(n)}=\frac{{\sum }_{l=l_{min}}^{M^{(n)}}l\cdot P^{(n)}(l)}{{\sum }_{i,j=1}^{M^{(n)}}{R}_{i,j}^{(n)}(\epsilon )}$$

其中，$P^{(n)}(l)$ 是在粗粒化尺度 $n$ 上构造的递归图中长度为 $l$ 的对角线的数量，$M^{(n)}$ 是在该尺度上重构相空间中的点数。

3.3 联合递归图和交叉递归图

3.3.1 联合递归图(JRP)

联合递归图(Joint Recurrence Plot, JRP)用于分析两个或多个子系统之间的同步行为，定义为各个子系统递归图的逐点乘积：

$$J{R}_{i,j}^{(1,2,...,d)}({\epsilon }_1,{\epsilon }_2,...,{\epsilon }_d)=\prod _{k=1}^d{R}_{i,j}^{(k)}({\epsilon }_k)=R_{i,j}^{(1)}({\epsilon }_1)\cdot R_{i,j}^{(2)}({\epsilon }_2)\cdot ...\cdot R_{i,j}^{(d)}({\epsilon }_d)$$

其中，$R_{i,j}^{(k)}({\epsilon }_k)$ 是第 $k$ 个子系统的递归图，${\epsilon }_k$ 是对应的阈值。

联合递归图中的点表示所有子系统同时发生递归的时刻，反映了子系统之间的同步程度。

3.3.2 交叉递归图(CRP)

交叉递归图(Cross Recurrence Plot, CRP)用于分析两个不同系统之间的相似行为，定义为：

$$C{R}_{i,j}^{(1,2)}(\epsilon )=\Theta (\epsilon -\Vert {\mathbf{y}}_i^{(1)}-{\mathbf{y}}_j^{(2)}\Vert )$$

其中，${\mathbf{y}}_i^{(1)}$ 和 ${\mathbf{y}}_j^{(2)}$ 分别是第一个和第二个系统在相空间中的状态向量。

交叉递归图中的点表示两个系统状态相似的时刻，反映了两个系统之间的相互关系。

3.3.3 交叉递归定量分析(CRQA)

交叉递归定量分析(Cross Recurrence Quantification Analysis, CRQA)是对交叉递归图进行的定量分析，计算方法与RQA类似，但基于交叉递归图而非递归图。

例如，交叉确定性(CDET)定义为：

$$CDET=\frac{{\sum }_{l=l_{min}}^{M}l\cdot P_{CR}(l)}{{\sum }_{i,j=1}^{M}C{R}_{i,j}^{(1,2)}(\epsilon )}$$

其中，$P_{CR}(l)$ 是交叉递归图中长度为 $l$ 的对角线的数量。

CRQA参数反映了两个系统之间的相似性、同步性和因果关系。

4. RQA的数学公式详解

4.1 递归图的几何解释

递归图可以通过几何学的角度来解释。设 $\mathcal{M}$ 是一个 $m$ 维流形，嵌入在 ${\mathbb{R}}^m$ 中，$\mathbf{x}(t)$ 是相空间轨道在时间 $t$ 的位置。定义 $\epsilon$-球为：

B ε ( x ) = { y ∈ R m : ∥ y − x ∥ ≤ ε } B_{\varepsilon}(\mathbf{x}) = \{\mathbf{y} \in \mathbb{R}^m : \|\mathbf{y} - \mathbf{x}\| \leq \varepsilon\} Bε​(x)={y∈Rm:∥y−x∥≤ε}

则递归点 $R_{i,j}=1$ 当且仅当 $\mathbf{x}(j)\in B_{\epsilon }(\mathbf{x}(i))$，即时间 $j$ 的状态落在以时间 $i$ 的状态为中心的 $\epsilon$-球内。递归图实际上是描述了相空间轨道与自身的交会情况。对于具有不同动力学特性的系统，递归图呈现出不同的几何模式：

1. 周期轨道：递归图呈现出规则的对角线结构。
2. 拟周期轨道：递归图呈现出棋盘状的结构。
3. 混沌轨道：递归图呈现出复杂但有一定结构的图案。
4. 随机过程：递归图呈现出无规律的噪声状分布。

4.2 递归图的线性代数表示

递归图可以用矩阵形式表示，设 $\mathbf{Y}$ 是相空间轨道矩阵，每行对应一个重构的相空间向量：

$$\mathbf{Y}=\left[\begin{array}{c}{\mathbf{y}}_1^T\\ {\mathbf{y}}_2^T\\ ⋮\\ {\mathbf{y}}_M^T\end{array}\right]$$

距离矩阵 $\mathbf{D}$ 的元素为：

$$D_{i,j}=\Vert {\mathbf{y}}_i-{\mathbf{y}}_j\Vert$$

递归矩阵 $\mathbf{R}$ 可以表示为：

$$\mathbf{R}=\Theta (\epsilon \cdot 1-\mathbf{D})$$

其中，$1$ 是全1矩阵，运算符 $\Theta$ 应用于矩阵的每个元素。

4.3 RQA参数的矩阵表示

RQA参数可以用矩阵表示形式表达，这样有助于理解其几何和代数意义。

4.3.1 递归率(RR)

递归率可以表示为递归矩阵 $\mathbf{R}$ 的元素平均值：

$$RR=\frac{1}{M^2}\sum _{i,j=1}^M{R}_{i,j}=\frac{1}{M^2}\Vert \mathbf{R}{\Vert }_F^2$$

其中，$\Vert \mathbf{R}{\Vert }_F$ 是矩阵 $\mathbf{R}$ 的Frobenius范数。

4.3.2 确定性(DET)

定义对角线指示矩阵 $\mathbf{DL}$，其元素为：

$$D{L}_{i,j}=\{\begin{array}{ll}1,& \text{if }{R}_{i,j}\text{ is part of a diagonal line of length }\ge l_{min}\\ 0,& \text{otherwise}\end{array}$$

则确定性可以表示为：

$$DET=\frac{{\sum }_{i,j=1}^{M}D{L}_{i,j}\cdot R_{i,j}}{{\sum }_{i,j=1}^M{R}_{i,j}}=\frac{⟨\mathbf{DL},\mathbf{R}{⟩}_F}{\Vert \mathbf{R}{\Vert }_F^2}$$

其中，$⟨\mathbf{A},\mathbf{B}{⟩}_F={\sum }_{i,j}{A}_{i,j}{B}_{i,j}$ 是矩阵 $\mathbf{A}$ 和 $\mathbf{B}$ 的Frobenius内积。类似地，可以定义垂直线指示矩阵 $\mathbf{VL}$ 和其他结构的指示矩阵，从而用矩阵表示形式表达所有RQA参数。

4.4 RQA的信息论解释

从信息论的角度，RQA参数可以解释为系统状态序列的信息特性。

4.4.1 条件熵和互信息

定义条件熵 $H(X_j|X_i)$ 为给定时间 $i$ 的系统状态 $X_i$ 条件下，时间 $j$ 的系统状态 $X_j$ 的不确定性：

$$H(X_j|X_i)=-\sum _{x_i,x_j}p(x_i,x_j)\log \frac{p(x_i,x_j)}{p(x_i)}$$

互信息 $I(X_i;X_j)$ 为 $X_i$ 和 $X_j$ 共享的信息量：

$$I(X_i;X_j)=H(X_j)-H(X_j|X_i)=\sum _{x_i,x_j}p(x_i,x_j)\log \frac{p(x_i,x_j)}{p(x_i)p(x_j)}$$

时间序列的递归率和条件熵、互信息存在关系：

$$RR\approx \exp (-H(X_j|X_i))=\exp (I(X_i;X_j)-H(X_j))$$

4.4.2 熵分析

对角线长度的熵 $ENTR$ 可以解释为系统预测难度的度量：

$$ENTR=-\sum _{l=l_{min}}^{M}p(l)\log p(l)=H(L)$$

其中，$H(L)$ 是对角线长度 $L$ 的熵。$ENTR$ 值越大，系统的预测难度越大。类似地，垂直线长度的熵 $VENTR$ 可以解释为系统间歇性复杂度的度量：

$$VENTR=-\sum _{v=v_{min}}^{M}p(v)\log p(v)=H(V)$$

其中，$H(V)$ 是垂直线长度 $V$ 的熵。$VENTR$ 值越大，系统的间歇性行为越复杂。

4.5 泛函分析视角下的递归图

从泛函分析的角度，递归图可以视为从递归算子的核函数衍生而来的。定义递归算子 ${\mathcal{R}}_{\epsilon }:L^2(\mathcal{M})\to L^2(\mathcal{M})$ 为：

$$({\mathcal{R}}_{\epsilon }f)(\mathbf{x})={\int }_{\mathcal{M}}\Theta (\epsilon -\Vert \mathbf{x}-\mathbf{y}\Vert )f(\mathbf{y})d\mu (\mathbf{y})$$

其中，$\mu$ 是 $\mathcal{M}$ 上的不变测度，$f\in L^2(\mathcal{M})$ 是定义在相空间上的平方可积函数。

递归算子的核函数是：

$$K_{\epsilon }(\mathbf{x},\mathbf{y})=\Theta (\epsilon -\Vert \mathbf{x}-\mathbf{y}\Vert )$$

递归矩阵实际上是核函数在相空间轨道上的离散采样：

$$R_{i,j}=K_{\epsilon }(\mathbf{x}(i),\mathbf{x}(j))$$

递归算子的谱特性与系统的动力学特性密切相关。例如，递归算子的特征值与系统的转移概率矩阵的特征值有关；递归算子的特征函数与系统的不变密度有关。