一、生物时间序列的近似熵和样本熵方法比较(论文文献综述)
钱龙霞,李汉霖,汪腾,王艺玮,王红瑞[1](2021)在《一种水文序列变异诊断耦合模型及其应用》文中进行了进一步梳理气候变化和人类活动的双重作用使得流域水文过程发生显着变化,水文序列变异诊断研究对防洪减灾、生态环境保护具有重要的科学意义和应用价值。传统水文变异诊断方法存在多点检测能力不足、主观性较强、精度较低等问题,本文建立了一种基于启发式分割算法和近似熵的水文变异诊断耦合模型,主要建模步骤如下:首先,用近似熵刻画水文序列各点的动力学状态,基于数据滑动技术充分获取随着滑动窗口移动而变化的近似熵序列;其次,运用启发式分割算法依次对各点进行一分为二的迭代计算、对比,得到每个点的检验统计值和置信概率;最后,根据置信概率结果判断是否对近似熵序列进行水文动力学状态划分,确定变异点的数目和位置。利用耦合模型对窟野河温家川站1956—2019年的年径流序列进行变异诊断研究,结果表明,窟野河年径流序列在1983年和1996年发生了变异,与实际情况基本吻合。通过模拟实验,证明耦合模型具有如下潜力:1)对于强趋势变异检测性能优异,弱趋势变异时在特定滑动步长下具有良好表现。2)当设置不同的参数时,耦合模型对于弱趋势动力学结构变异检测具有较好的性能,检测误差较小。3)当样本量较高(N=4 000~8 000)时,权重误差均较小,耦合模型检测到的变异区间中包含设置的理想变异点,且样本量越大,检测越精确;在样本量较低(N=60~3 000)时,检测的变异区间与真实变异点较接近,检测效果可以接受。
刘春媛[2](2021)在《混沌序列复杂度算法及其在图像加密中的应用研究》文中研究表明混沌系统的初值敏感性、全局有界性、内在随机性和高复杂性等特性都与密码学的基本原则密切相关,这使得混沌加密被广泛应用在信息安全领域。然而,经典混沌系统由于有限计算精度和其自身结构所限,混沌序列元素间会出现一定的相关性和混沌动力学特性退化的现象,这些都将使混沌序列的复杂度降低,给信息安全带来一定隐患。因此,分析混沌序列复杂度特征,深入研究混沌序列提高熵值的方法,在推进混沌序列在工程实际应用具有重要意义。本文围绕上述方面做了以下四个方面的工作:首先,在充分研究复杂度度量算法样本熵、谱熵和模糊熵算法的基础上,利用这些算法对Logistic映射、Tent映射和Hénon映射三种经典混沌映射在行为复杂度和结构复杂度进行了测试。分析对比了系统参数、初始值、时间序列长度等基本参数对混沌序列复杂度的影响,以及三种混沌系统的熵值分布特性,为后续混沌系统的应用研究提供参考。其次,针对经典混沌映射在熵值分布上存在的规律性,分析多尺度熵算法下Logistic映射的熵值分布的特性,基于此,提出一种基于多尺度熵算法的方差均值系统参数区间估值方法。然后应用该方法得出Logistic和Tent混沌序列的系统参数区间估值表。由混沌复杂度算法得出,某些经典低维混沌序列的系统参数是可预测的。再次,针对混沌序列参数的可预测性和混沌序列有限计算精度造成的序列相关性增加的现象,提出了一种基于相空间重构技术及PCA算法的混沌序列复杂度提高算法。其中相空间重构技术中延迟时间和嵌入维数分别采用互信息函数法和最邻近点法的改进算法。通过对Logistic序列和Hénon序列进行实际测试,两种混沌序列的各项混沌特性都有很大提高。最后,为了保留经典混沌系统的优势和提高低维混沌时间序列的复杂性的双重目的,提出一种结合了Hénon映射和分段映射的三维离散混沌系统3D-PHM,通过测试,表明该系统的各项混沌特性比原混沌系统都要好。然后,针对该三维混沌映射,提出了轮数可控的彩色图像加密算法。通过对图像加密算法进行测试及统计分析,表明该加密算法的各项性能优良。
赵璐璐[3](2021)在《基于多生理信号动力学特征分析的抑郁状态检测》文中研究说明抑郁症作为一种精神障碍,以显着而持久的情绪低落、兴趣减退和思维迟缓等为主要临床症状,病情严重者会导致自残乃至自杀。近年来,随着患者数量的急剧增加和世界各地频频报告的自杀事件,抑郁症已逐渐为人们所熟知,而其带来的危害也日渐升高。据世界卫生组织2017年统计,全球约有3.22亿抑郁症患者,抑郁症已成为当今社会的首要致残原因。此外,抑郁症还会给家庭和社会带来巨大的经济负担,是导致全球疾病负担的一个重大因素。与其广泛的发病率和严重的危害性不匹配的是抑郁症相对落后的诊疗现状。作为一种精神性疾病,抑郁症的发病机制尚不明确,目前临床诊断仍依赖于精神病专家的主观面诊和量表等定性方法,定量化精准诊疗的临床应用罕见报道,同时还面临着早期诊断困难、医疗资源匮乏等问题。因此研究抑郁症的生理心理学机理,探寻准确、有效的抑郁症生物标记物,在对其生理病理状态充分认知的基础上,实现抑郁症的定量化精准诊疗,对提高诊断准确率、减轻诊疗负担等,无疑具有十分重大的临床意义和社会价值。本文基于多生理信号的动力学分析,对抑郁症患者状态检测问题展开研究,构建了抑郁症患者多生理信号数据库,提出了能够准确刻画抑郁症特点的生物标记物;通过对不同严重程度的抑郁症患者生理信号变化规律的探究,推进了对抑郁症生理变化和发病机制的深入理解。在此基础上初步建立了抑郁症患者生理心理模型,验证了基于多生理信号的抑郁状态检测研究的有效性,拓展了抑郁识别领域的特征库,为最终实现临床抑郁症的精准诊疗奠定了理论基础。论文的主要研究成果和创新之处如下:(1)针对当前抑郁研究领域尚无公开多生理信号数据库的问题,本文建立了多生理信号同步采集的抑郁症患者和健康对照组数据库。首先基于抑郁症的生理病理特点优化脑电采集方案,提出了基于前额叶的三导脑电信号采集方法;其次,为满足多生理信号融合的抑郁状态检测分析需求,设计了基于八通道生理信号采集系统的实验方案,同步采集心电、心音、脉搏、呼吸、脑电和皮电6种生理信号;此外,针对领域鲜有研究者关注抑郁病情程度对生理信号影响的现状,将患者划分为病情严重程度不同的三个组别,为开展抑郁程度对人体生理状态影响的相关研究奠定数据基础;最后,整理同步采集的多种生理信号数据,建立了本文研究所需数据库,后期规范整理公开后,将有助于推进该领域的快速发展。(2)基于交叉熵理论研究了不同程度抑郁病情对患者心肺耦合状态的影响。在传统心率变异性研究的基础上引入呼吸信号,采用熵和交叉熵的方法提取非线性心肺耦合特征,分析了特征在不同抑郁程度分组之间的差异性,以及各特征与抑郁程度的相关性。结果表明,本文提出的特征能够有效评估患者心肺状态的改变,揭示了抑郁程度与心肺耦合状态的一般规律,即随着抑郁程度的加深,患者交感和副交感神经活动失衡现象加重,心率变异性和呼吸变异性序列的不规则性升高,同时心率和呼吸活动的同步性降低。(3)基于非线性复杂度分析方法探究了不同程度抑郁病情对患者前额叶脑电复杂度的影响。采用样本熵和Lemple-Ziv复杂度方法探究了抑郁症患者脑电复杂度与健康对照组的区别,及其在不同抑郁程度分组之间的差异性。结果显示,抑郁症患者前额叶alpha波复杂度整体高于健康对照组,且这种升高随抑郁程度的加深呈现进一步增大的趋势。该结果揭示出抑郁症患者前额叶脑电不可预测性增加,即相关脑动力学活动的随机性增强,进而阐释了患者心肺耦合程度降低的机理,同时表明样本熵和LZC可作为定量化指标用于临床抑郁疾病的精准诊疗。(4)基于非线性复杂度方法研究了抑郁症患者前额叶脑电不对称性的变化规律。提出了 AsyLZC和AsySEn两个新指标,同时结合交叉熵算法评估了患者前额叶不对称性随抑郁程度的变化,即抑郁症患者的前额叶alpha波不对称性明显高于健康组,且这种不对称性随抑郁程度的加深而呈现出进一步增强的趋势。研究结果揭示出,随着患者抑郁程度的加深,其右额叶大脑活动相对左额叶逐步增强,导致交感-迷走神经活动平衡向交感显性方向倾斜,进而阐释了临床抑郁脑神经生理学变化的机理,同时表明了两个新指标在抑郁状态评估中的有效性。(5)为验证本文提出的生理指标在抑郁状态检测中的有效性,分别对心肺系统指标和脑电各波段指标进行抑郁识别性能的测试,并建立基于多生理信号融合的抑郁状态检测模型,得到了 92%的抑郁识别准确率,佐证了本文所建数据库的有效性和研究方法的可行性,为实现基于多生理信号的抑郁状态识别及抑郁症的精准诊疗奠定了理论基础。
张海伦[4](2021)在《激光雷达探测信号的处理和分类方法的研究》文中提出目前,全球气候变化不断引起人们的高度重视,大气气溶胶问题已经成为环境研究的热点。大气气溶胶是地-气系统重要的组成部分,直接影响着地球和大气辐射的收支平衡。作为一种主动探测方法,激光雷达技术凭借高的时间和空间分辨率,在大气遥感方面得到了广泛的应用,利用激光雷达遥感数据反演大气气溶胶的光学和微物理参数已成为大气遥感领域的主要技术。激光雷达探测信号的精细处理及分析对气溶胶光学参数和微物理参数的精确获取有着至关重要的影响。本文以北方民族大学激光雷达大气遥感创新团队工作室的多波长激光雷达为实验平台,通过对激光雷达系统光路的搭建和数据采集系统的调试,用搭建好的激光雷达系统进行连续的实验,对数据进行采集、存储与整理。在激光雷达的数据采集过程中,由于大气时变性很强,干扰源较多,使得采集到的数据往往存在着大量跳点。针对此问题,本文提出了一种激光雷达探测数据跳点的处理方法。并通过激光雷达实测数据,对该方法的可行性和有效性进行了验证。结果表明,利用该方法进行消光系数反演时,当选取不同远端边界值时均可成功反演出消光系数廓线。该方法反演出的消光系数廓线更加连续、更加光滑,不仅增加了激光雷达的有效探测距离,还使得反演的消光系数廓线更符合实际情况,更有利于后续对大气气溶胶消光系数廓线进一步分析。在跳点处理的基础上,为了提高激光雷达探测信号的信噪比,针对激光雷达探测信号的特点,本文提出了一种改进的可变加权卡尔曼滤波的激光雷达探测信号消噪方法。同时,将该算法与经典卡尔曼滤波算法、误差协方差加权卡尔曼滤波算法和可变加权卡尔曼滤波算法的滤波效果进行了对比分析。结果表明,该方法能够有效的对激光雷达回波信号进行消噪处理,提高了激光雷达原始信号的信噪比。在有云天气下,该算法的信噪比分别比其它三种滤波方法提高了2.9d B、1.7d B和0.6d B。在无云天气下,该算法的信噪比分别比其它三种滤波方法提高了2.5d B、1.4d B和0.4d B。激光雷达探测信号信噪比的提高有利于大气消光系数的准确获取,这对于研究气候变化及其长期趋势具有非常重要的意义。对研究PM(颗粒物)值的反演、边界层的确定、气溶胶粒径分布的反演和空气污染物的输送也具有重要意义。针对激光雷达信号的分类问题,本文提出了一种基于多尺度熵(MSE)的激光雷达探测信号分类方法,旨在探讨通过多尺度熵的方法来分辨不同天气条件下激光雷达探测信号的复杂特征。本文将一天内连续观测的1064nm和532nm两个波长的激光雷达探测信号,经过预处理得到距离平方校正信号,并在三种不同信噪比下进行多尺度熵计算与分析。通过分析比较三种不同污染程度天气下激光雷达探测信号的多尺度熵特征,并结合统计学方法对数据进行分析,来验证所提出方法的有效性。实验结果表明,在两个波长及其三种不同信噪比情况下,多尺度熵方法都能有效地对重度污染、中度污染和轻度污染三种不同污染程度天气的气溶胶分布的复杂程度进行区分。该方法有潜力成为分辨不同类型天气下激光雷达探测信号的新手段,对于激光雷达探测数据的处理与分析具有重要的创新意义。
何艳茹[5](2021)在《基于多尺度交叉近似熵的脉搏信号分析方法及其应用》文中研究表明脉搏信号是人体重要的生理信号,与人体动脉硬化程度、血管等健康状况密切相关。传统的方法通过脉象来评估人体生理状态的方式存在主观因素的影响,在对该信号的分析方面,先前研究是从时域和频域的角度展开的,鉴于脉搏信号的非平稳非线性特性,本文提出采用非线性动力学方法—多尺度交叉近似熵(Multiscale Cross-Approximate Entropy,MCAE)对其进行分析处理,并应用到探索健康人和糖尿病患者脉搏信号的差异性分析中。具体研究内容如下:首先,通过光电容积脉搏波以无创的方式获取人体脉搏信号,获取的信号中存在特征点不明显等问题,以集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方式进行预处理,信号分解前加入白噪声,避免了模态混叠现象,相比经验模态分解(Empirical Mode Decomposition,EMD)的预处理效果要好,有效去除了干扰部分,保留了信号特征。其次,通过在脉搏信号周期内寻找最大值,对波峰波谷点定位,提取到爬坡时间(Crest time,CT)、脉搏间隔(Peak-to-Peak Interval,PPI)序列数据。针对健康人和糖尿病人群共81人的脉搏信号CT、PPI序列分别计算样本熵,糖尿病患者比健康人熵值均降低了0.1。以多尺度熵分析序列复杂性,两组间熵值相差0.2,人群间差异增大。最后,以本研究提出的MCAE算法分析得出不同生理状态下脉搏信号在MCAE3、4差异显着。同时计算脉搏信号瞬时频率指标进行对比,结果得出糖尿病患者瞬时频率值比健康人上升了0.25,差异性不如MCAE3、4明显。相关性分析中,MCAE3与Hb A1c有着显着的相关性(p<0.001),相关程度高于瞬时频率值(r=0.227),MCAE3以计算序列复杂度的形式体现了不同生理状态下脉搏信号差异性。通过上述研究,本文实现以无创方式获取人体脉搏信号,采用EEMD的方式进行预处理,所得波形和原信号相关性0.979,保证信号中CT、PPI两个同步时间序列准确提取。两组人群在MCAE3、4时不同人群熵值相差0.33,表现出明显差异性(p<0.001),且与人体血糖含量呈显着负相关关系(r=-0.399),多元线性回归分析表明,熵值中Hb A1c系数为0.093,相比在瞬时频率中系数0.028,所占比重影响更大,本研究对于应用熵理论分析人体生理信号提供了重要的参考价值。
张志民[6](2020)在《熵测度及压缩感知理论在睡眠质量评估中的研究与应用》文中研究指明睡眠是一个复杂的生理过程,睡眠质量的高低直接影响人体的健康水平。随着对睡眠研究的逐渐深入,人们对睡眠的认知以及睡眠质量的评估方法也都取得了长足的发展,但是在睡眠的生理机制及与睡眠相关疾病的诊断和治疗方面仍存在大量需要改进或者不明确的问题存在。在此背景下,本文以睡眠质量研究为核心,针对睡眠分期、阻塞性睡眠呼吸暂停病人的脑功能异常以及睡眠心电信号研究三个问题开展工作。本文首先综述了熵测度方法及压缩感知的理论基础,并以此为技术手段针对以上三个问题展开研究:针对第一个问题,首先研究了基于熵测度和支持向量机的自动睡眠分期方法,并进一步提出了一种新的睡眠分期熵测度算法—张量近似熵,有效地提升了睡眠分期的准确率;针对第二个问题,提出了基于模糊熵和偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人的脑功能偏侧化现象;针对第三个问题,提出了基于压缩感知理论的睡眠心电信号采样压缩重构框架,为睡眠心电信号的大数据获取与传输提供了有效的解决方案。总结起来,本论文的主要工作包括以下几个方面:(1)详细综述了近年来应用于生理信号非线性分析的几种常用的熵测度方法,包括近似熵、样本熵、模糊熵以及模糊测度熵,介绍了在现有文献中以上几种熵测度方法在生理信号分析中的典型应用。同时给出了压缩感知理论实现的数学模型,并简要阐述了压缩感知目前在脑电信号及心电信号上的初步应用。(2)研究了一种基于熵测度算法及支持向量机的自动睡眠分期方法,分别提取脑电信号及眼电信号的样本熵、模糊熵以及模糊测度熵,并设计了基于一对多的支持向量机多分类方法,分别在独立样本测试与训练、非独立样本测试与训练两种模式下进行睡眠状态分类。实验结果表明,同等条件下该方法在睡眠分期的准确率和一致性上均具有一定的优势。(3)提出了一种新的睡眠分期熵测度算法—张量近似熵,通过将生理信号组织成张量的形式能够更加准确地模拟单一信号源的生理状态。实验结果表明张量近似熵在张量数据上表现出良好的一致性及辨识能力;在睡眠分期任务中,张量近似熵在不同的睡眠状态下具有显着的差异性,并且相对于传统的时间序列熵测度方法具有更高的睡眠分期准确率。(4)针对阻塞性睡眠呼吸暂停的脑功能异常研究,提出了基于模糊熵及偏侧化指数的大脑半球优势评估方法,发现并证实了阻塞性睡眠呼吸暂停病人存在的大脑功能偏侧化现象;同时考虑到传统的偏侧化指数只能考虑单一脑活动评估指标的问题,本文对偏侧化指数进行改进并提出了一种新的增强偏侧化指数,在临床多导睡眠监测数据上验证了该指数在评估脑功能优势不对称问题上的可靠性。(5)研究了基于压缩感知理论的睡眠心电信号采样压缩及重构方法。系统探究了影响心电信号重构精度和重构效率的多个因素,并提出了心电信号二维化处理的压缩感知应用模型,考虑心电信号的准周期特性,通过将心电信号各个心拍进行切割重组生成二维图像,能够更大程度地表现心电信号的稀疏度。实验结果表明,在此模型下可以以更低的信号采样压缩率实现满足临床需求的心电信号重构精度。
李金阳[7](2020)在《金融时间序列的熵理论研究与应用》文中研究指明复杂系统具有非平稳性与随机性等特点,近年来,由复杂系统生成的时间序列广受关注。熵作为传递复杂系统信息的主要手段已经被大量提出,如置换熵、近似熵、Jensen-Shannon散度、Kullback-Leibler散度等等,这些熵都是由信息熵演化而来。本文主要是对这些不同类型的熵进行改进,从多个方面探究熵理论的应用,从而进行金融时间序列分析。我们共提出了四种方法来研究时间序列的复杂性。第一种方法是将置换熵与Jensen-Shannon散度(Jensen-Shannondivergence,DJS)拓展到分数阶,两者结合构造熵平面进行时间序列的研究,发现可以对模拟数据和股票数据进行合理的分类。然后我们探究两者在多标度下的变化,发现逻辑映射与Henon映射呈直线状,而Burgers映射和股票指数呈现曲线。第二种方法是利用自适应的累积直方图法(cumulative histogram method,CHM)去解决近似熵中关于容忍参数r的确定问题,提高了交叉近似熵(cross-approximate entropy,Cross-ApEn)的精度,由生成的一系列交叉近似熵的间接度量去研究时间序列的复杂性。我们对时间序列进行了有效性检验,发现Cross-ApEn不受白噪声的影响;又对其进行了长度测试,发现Cross-ApEn在序列长度到达400之后稳定。我们采用传统方法与CHM构造熵平面,提高了序列分类的准确性,然后构造移动窗口探索金融股票市场的宏观变化。第三种方法是将Kullback-Leibler散度与高阶矩进行结合,同时利用可视图法(horizontal visibility graph,HVG)计算概率,探究时间序列的不可逆性。实验过程中发现,a=3.85的逻辑映射与a=0.25,b=0.52的Henon映射,它们的图像形状与股票数据几乎完全相同。再将时间序列进行重叠式粗粒化处理,发现Kullback-Leibler 散度在标度为 8 时就已经相对稳定。第四种方法是利用排列模式法(permutation pattern,PP)与HVG计算DJS与完全平均散度(complete mean divergence,Dm)。对ARFIMA数据和股票数据进行长度测试,发现DJS和Dm都随着时间序列长度的增加而减小。对时间序列进行动态时间分析,我们发现除了苹果公司这只股票呈现下跌趋势外,其他几只股票的动态变化相对稳定。接着引入了多标度进行研究,观察到即使增加了时间序列的复杂性,PP也不容易受到干扰。我们提出了一种打分方式来分析股票的效用及其现实意义,发现苹果公司的得分最高。
王晓[8](2020)在《基于欧氏距离多尺度熵的异常流量特征研究》文中进行了进一步梳理异常流量特征研究对于识别和理解网络异常行为有重要的意义。异常流量特征能够较大程度的反映网络异常行为的攻击方式、攻击来源等特征。能够帮助网络运维人员快速识别网络异常行为类型,并为网络安全防御提供重要支持。近些年来网络安全领域提出了多种流量特征研究方法,这些方法将网络流量的基本物理量作为人工智能模型输入特征,判断网络当中是否存在异常行为。然而这些方法通常只考虑到流量或地址分布等物理参数在单一时空尺度上的行为特征,难以描述整个网络行为的复杂特征,更不能细粒度地刻画网络行为发生、发展和演化过程。为了有效解决这些问题,本文根据熵理论蕴含着整个系统的动力学规律的特点,对网络流量进行熵的分析从而表征其动力学规律。本文基于现有多尺度熵理论的缺陷,创造性地提出了一种欧氏距离多尺度熵方法,将欧氏距离多尺度熵方法应用于异常流量特征的研究上,开展多个时间尺度上的异常流量特征研究。本文主要研究工作及贡献如下:(1)本文针对多尺度熵、复合多尺度熵、模糊熵、复合多尺度模糊熵理论的缺陷进行了阐述,提出了一种欧氏距离多尺度熵理论,并且通过人工合成的白噪声、1/f噪声和滚动轴承故障实验证明了其有效性。(2)研究了欧氏距离多尺度熵的轴承故障检测方法,本文采用欧氏距离多尺度熵与人工神经网络相结合的方法,将熵值作为轴承故障的特征进行了实验,并成功检测出轴承故障。(3)提出了基于欧氏距离多尺度熵的网络异常流量特征研究方法。首先对获取的公开网络异常流量数据集进行预处理,获取异常行为的基本特征,然后根据异常流量数据得到不同网络传输协议时间序列,利用欧氏距离多尺度熵方法对网络传输协议时间序列进行熵值分析,通过熵值序列特征与异常流量的基本特征挖掘出异常流量的特征。
林少倩[9](2020)在《基于脑电信号的睡眠自动分期研究》文中进行了进一步梳理睡眠是人们重要的生理活动和行为方式之一,是决定生活质量的关键因素。充足有效的睡眠具有恢复精力和体力的作用,是维持健康的基本需要。在当今快节奏生活以及高强度工作的环境下,睡眠障碍已经逐渐变成一种具有公共危害性的疾病,由于在普通人群、老年人和大学生群体中普遍存在,所以引发人们更加高度的重视。通过了解睡眠状态的变化,实现睡眠分期,是客观评估睡眠质量的一种有效方法,有助于睡眠及睡眠相关疾病的研究。睡眠自动分期的实现通常包括四个阶段:信号预处理、特征提取、特征选择和分类识别。以睡眠脑电信号为研究对象,提出一种新的具有较高分类准确率的自动睡眠分期方法,该方法改进了四个阶段中的特征选择阶段和分类识别阶段。在特征选择阶段采用混合特征选择方法,更为有效的提取特征,在分类识别阶段采用群智能算法,更为有效的搜寻最优参数。在每个阶段中完成的工作如下:1、信号预处理。脑电信号微弱,随机性强,且极易受到信号干扰,所以需要对信号进行预处理,消除噪声。因小波变换的特性,其在去噪方面应用广泛,并具有较大优势,故采用小波阈值去噪方法。基于前人研究,确定小波变换的小波基函数、分解层数以及阈值,实现脑电信号去噪预处理。2、特征提取。在特征提取阶段,从四个方面对每一个睡眠阶段(30s为一个单位)提取30个特征,包括时域特征:最大值、最小值、方差、峰度、偏度、标准差、平均值、中间值、过零值及Hjorth参数共11个;频域特征:中心频率、带宽及中心频率的值共3个;时频域特征:γ波、β波、α波、θ波、δ波及K复合波占据总能量的比值共6个以及非线性动力学特征:C0复杂度、样本熵、多尺度熵、模糊熵、近似熵及奇异谱特征值共10个。在提取完以上30个特征之后,为防止因不同特征之间的量纲对结果产生影响,进行归一化处理。3、特征选择。在特征选择阶段,采用混合特征选择方法。首先采用决策树、递归特征消除算法分别实现特征选择。其次,在两种特征选择方法的基础上,利用合并策略进行特征的混合,得到最终的分类器的输入特征。4、分类识别。在特征的分类识别阶段,基于实际的MIT-BIT数据库的睡眠脑电信号数据,先采用改进的果蝇算法(IFOA)优化支持向量机(SVM)的惩罚系数和核函数参数,然后利用SVM对输入特征进行训练,构建睡眠分期模型并测试。实验结果表明,相对于单一的特征选择方法,混合特征选择方法能够选择得到更有效的特征,相比于果蝇算法,改进的果蝇算法具有更强的优化能力,能在一定程度上提高SVM的分类精度。因此,基于混合特征选择和IFOA-SVM的自动睡眠分期方法是一种行之有效的方法,为睡眠分期提供了一种新思路。
陈桂娟[10](2019)在《基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法研究》文中研究说明往复压缩机因压力适用范围广、压缩效率高和适用性强等特点,在工农业、交通运输、国防,尤其是石油、化工生产行业中广泛应用。滑动轴承是往复压缩机传动机构重要部件,其运行工况具有高速、重载特性。长期服役后,由于制造与装配误差,运行过程中碰撞与摩擦,滑动轴承势必出现磨损以致发生间隙过大故障,进而使整机振动超标停机,中断生产,甚至造成巨大经济损失。因此,本文以往复压缩机滑动轴承间隙状态为对象,针对其振动信号强非平稳、非线性,特征耦合等特点,开展故障振动机理、特征提取方法以及模式识别方法研究,为往复压缩机高效可靠、安全平稳运行提供理论支撑,主要研究内容如下:建立含轴承间隙往复压缩机多体动力学模型,研究轴承间隙激励振动传递机理。阐述往复压缩机轴承间隙故障机理,以间隙运动副模拟轴承间隙状态,建立往复压缩机刚柔耦合多体动力学模型,在利用实测振动数据验证模型有效性的基础上,研究运动副碰撞力与机体振动响应的内在关系,分析轴承间隙变化对往复压缩机动力学性能的影响,探明轴承间隙激励振动传递机理。提出面向往复压缩机振动信号局部强非平稳特性的复合插值包络局部均值分解方法(CIELMD)。针对信号局部强非平稳特性,提出使用三次样条插值建立局部平稳信号包络线,使用单调三次Hermite插值建立强非平稳部分信号包络线。通过定义信号非平稳系数,不同插值曲线端点衔接方法,给出复合包络线构造算法,进而建立一种基于复合插值包络的局部均值分解方法。强非平稳仿真信号研究表明,该方法可显着提高其PF分量分解精度。对往复压缩机轴承间隙故障信号进行分析,改进方法的PF分量包络谱故障特征频率更加显着。提出基于精细复合多尺度模糊熵(RCFME)的往复压缩机轴承间隙故障状态非线性定量分析方法。将精细复合多尺度熵与模糊熵概念相融合,提出稳定性、精度以及抗干扰性更优良的精细复合多尺度模糊熵,应用其量化状态信号非线性特性形成故障特征。白噪声和1/f噪声仿真信号应用分析表明,RCFME熵值一致性好,对数据长度不敏感,未定义熵出现概率小。往复压缩机轴承间隙故障信号研究表明,不同状态特征曲线区分性良好。构建基于文化基因算法(MA)的往复压缩机轴承间隙状态故障特征优选方法。使用CIELMD方法分解不同轴承间隙故障信号,利用相关系数筛选包含主要故障信息的PF分量,通过RCFME方法定量描述PF分量构成状态特征矩阵,进一步使用文化基因算法优选矩阵中平均样本距离最大的元素,降低信息冗余,构成特征向量。针对传统二叉树支持向量机层次结构中,各子分类器使用统一参数训练样本对其性能的约束,提出各子分类器分别使用独立参数训练的改进算法。往复压缩机故障识别结果表明,特征提取方法与模式识别方法均有效提高了故障状态识别准确率。
二、生物时间序列的近似熵和样本熵方法比较(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、生物时间序列的近似熵和样本熵方法比较(论文提纲范文)
(2)混沌序列复杂度算法及其在图像加密中的应用研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及目的意义 |
1.2 混沌理论及其在信息安全中的应用 |
1.2.1 混沌的定义 |
1.2.2 混沌的基本特征 |
1.2.3 经典混沌系统 |
1.2.4 混沌在信息安全中的应用 |
1.3 课题的国内外研究现状 |
1.3.1 时间序列复杂度理论研究现状 |
1.3.2 混沌系统复杂度提高方法研究现状 |
1.4 论文的主要研究内容和章节安排 |
第2章 低维混沌时间序列复杂度研究 |
2.1 引言 |
2.2 混沌序列样本熵分析 |
2.2.1 样本熵算法原理 |
2.2.2 低维混沌时间序列的样本熵复杂性分析 |
2.3 混沌序列谱熵分析 |
2.3.1 谱熵复杂度算法原理 |
2.3.2 低维混沌时间序列的谱熵测度研究 |
2.4 混沌序列模糊熵分析 |
2.4.1 模糊熵复杂度算法原理 |
2.4.2 低维混沌时间序列的模糊熵复杂度研究 |
2.5 本章小结 |
第3章 基于多尺度熵的混沌系统参数估计 |
3.1 引言 |
3.2 多尺度熵分析方法 |
3.3 Logistic混沌序列宏观特性分析 |
3.4 基于均值方差的混沌序列系统参数区间估计方法 |
3.4.1 Logistic映射参数估计方法 |
3.4.2 Tent映射参数估计方法 |
3.5 本章小结 |
第4章 混沌序列复杂度提高算法研究 |
4.1 引言 |
4.2 混沌动力学退化相关研究 |
4.3 相空间重构 |
4.3.1 延迟时间的选取 |
4.3.2 嵌入维数的选取 |
4.4 基于PCA的低维混沌序列改进算法 |
4.5 改进方案的测试与分析 |
4.5.1 基于PCA改进方案的Logistic序列分析和测试 |
4.5.2 基于PCA改进方案的Hénon序列分析和测试 |
4.6 本章小结 |
第5章 基于三维混沌映射的图像加密技术研究 |
5.1 引言 |
5.2 三维分段Hénon映射的设计 |
5.2.1 三维分段Hénon映射 |
5.2.2 混沌动力学特性及复杂度分析 |
5.3 轮数可控的图像加密方案 |
5.4 实验结果及安全性分析 |
5.4.1 密钥空间分析 |
5.4.2 密钥敏感性分析 |
5.4.3 直方图分析 |
5.4.4 相邻像素相关性分析 |
5.4.5 差异测量 |
5.4.6 差分攻击的分析 |
5.4.7 明文攻击分析 |
5.5 本章小结 |
结论 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
攻读学位期间获得的其它学术成果目录 |
(3)基于多生理信号动力学特征分析的抑郁状态检测(论文提纲范文)
摘要 |
ABSTRACT |
缩略语注释表 |
第1章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 抑郁症患者心电特征研究 |
1.2.2 抑郁症患者脑电特征研究 |
1.2.3 基于生理信号的抑郁识别 |
1.2.4 问题分析与立题依据 |
1.3 主要研究内容和创新点 |
1.3.1 课题来源与主要研究内容 |
1.3.2 论文的主要创新点 |
1.4 论文的组织架构 |
1.5 本章小结 |
第2章 抑郁症患者多生理信号采集实验 |
2.1 实验目的 |
2.2 实验准备 |
2.2.1 信号选择 |
2.2.2 被试选择 |
2.2.3 实验设备与参数设置 |
2.3 实验流程 |
2.3.1 被试基本信息采集 |
2.3.2 实验数据采集 |
2.4 数据库建立 |
2.5 本章小结 |
第3章 抑郁症患者的心肺耦合状态研究 |
3.1 引言 |
3.2 材料与方法 |
3.2.1 实验数据 |
3.2.2 心电和呼吸信号预处理 |
3.2.3 心肺系统特征提取 |
3.2.4 替代数据分析 |
3.2.5 统计学分析 |
3.3 实验结果 |
3.3.1 心肺耦合在不同抑郁分组之间的差异性分析 |
3.3.2 心肺耦合与抑郁程度的相关性分析 |
3.3.3 替代数据和差值数据分析 |
3.4 抑郁症患者心肺耦合结果的生理学讨论 |
3.5 本章小结 |
第4章 抑郁症患者的前额叶脑电复杂度研究 |
4.1 引言 |
4.2 材料与方法 |
4.2.1 实验数据 |
4.2.2 脑电数据预处理 |
4.2.3 脑电复杂度特征提取 |
4.2.4 统计学分析 |
4.3 实验结果 |
4.3.1 脑电复杂度在不同组别之间的差异性分析 |
4.3.2 脑电复杂度与抑郁打分之间的相关性分析 |
4.4 抑郁脑电复杂度分析结果的生理学讨论 |
4.5 本章小结 |
第5章 抑郁症患者的前额叶脑电不对称性研究 |
5.1 引言 |
5.2 材料与方法 |
5.2.1 实验数据 |
5.2.2 脑电数据预处理 |
5.2.3 脑电不对称性特征提取 |
5.2.4 统计学分析 |
5.3 实验结果 |
5.4 抑郁脑电不对称性分析结果的生理学讨论 |
5.5 本章小结 |
第6章 基于多生理信号融合与机器学习的抑郁状态检测 |
6.1 分类器 |
6.1.1 随机森林 |
6.1.2 支持向量机 |
6.1.3 K-最近邻 |
6.2 不同类型指标的抑郁识别性能评估 |
6.2.1 心肺系统指标的抑郁识别性能 |
6.2.2 脑电各波段指标的抑郁识别性能 |
6.3 基于多生理信号融合的抑郁状态检测 |
6.3.1 模型构建流程 |
6.3.2 基于特征融合的抑郁识别 |
6.3.3 基于基尼指数的特征筛选 |
6.3.4 基于筛选特征集的抑郁识别 |
6.4 单信号指标分类性能与多信号融合识别结果分析 |
6.5 本章小结 |
第7章 总结与展望 |
7.1 工作总结 |
7.2 工作展望 |
参考文献 |
致谢 |
攻读博士学位期间取得的成果与参与的研究项目 |
学位论文评阅及答辩情况表 |
(4)激光雷达探测信号的处理和分类方法的研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状及分析 |
1.3 论文的组织结构 |
第二章 多波长激光雷达系统的基本原理 |
2.1 多波长激光雷达系统的工作原理及组成 |
2.1.1 激光发射子系统 |
2.1.2 信号接收子系统 |
2.1.3 分光子系统 |
2.1.4 信号采集子系统 |
2.2 激光雷达方程 |
2.3 激光雷达方程的反演理论 |
2.3.1 Coliis斜率法 |
2.3.2 Klett反演法 |
2.3.3 Fernald反演法 |
2.4 本章小结 |
第三章 激光雷达探测信号的处理和消噪研究 |
3.1 激光雷达探测信号的跳点处理研究 |
3.1.1 跳点对数据处理的影响 |
3.1.2 跳点的处理方法 |
3.2 改进的可变加权卡尔曼滤波消噪算法原理 |
3.2.1 经典卡尔曼滤波算法 |
3.2.2 经典卡尔曼滤波算法的发散问题 |
3.2.3 改进的可变加权卡尔曼滤波算法 |
3.2.4 可变加权函数参数的确定 |
3.3 本章小结 |
第四章 基于多尺度熵的激光雷达数据分类算法 |
4.1 熵值基本理论 |
4.1.1 信息熵 |
4.1.2 近似熵 |
4.2 多尺度熵分析方法 |
4.3 多尺度熵分类算法软件的实现与数据处理过程 |
4.4 本章小结 |
第五章 实验与结论 |
5.1 激光雷达探测信号跳点处理算法的结果 |
5.1.1 跳点对激光雷达有效探测距离的影响 |
5.1.2 跳点对远端边界值选取的影响 |
5.2 改进的可变加权卡尔曼滤波算法的消噪结果与分析 |
5.2.1 算法的消噪结果 |
5.2.2 消噪结果的分析 |
5.3 连续观测的实际应用 |
5.4 基于多尺度熵的激光雷达探测信号的分类实验结果 |
5.4.1 1064nm通道的多尺度熵分析结果 |
5.4.2 532nm通道的多尺度熵分析结果 |
5.5 本章小结 |
第六章 总结与展望 |
6.1 全文工作总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简介 |
(5)基于多尺度交叉近似熵的脉搏信号分析方法及其应用(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文的主要研究内容 |
1.4 本章小结 |
第二章 脉搏信号及熵的理论分析与研究 |
2.1 脉搏信号的形成机理及其特征 |
2.2 熵的理论分析与研究 |
2.2.1 样本熵算法及其理论研究 |
2.2.2 多尺度熵算法及其理论研究 |
2.2.3 多尺度交叉近似熵算法及其理论研究 |
2.3 本章小结 |
第三章 脉搏信号预处理、特征提取及熵特征参数选取 |
3.1 脉搏信号预处理 |
3.1.1 脉搏信号EMD预处理 |
3.1.2 脉搏信号EEMD预处理 |
3.1.3 脉搏信号预处理结果对比 |
3.2 脉搏信号特征提取 |
3.3 熵特征参数选取 |
3.4 本章小结 |
第四章 熵算法在脉搏信号中的分析研究 |
4.1 数据采集标准及分析 |
4.2 样本熵脉搏信号分析 |
4.3 多尺度熵脉搏信号分析 |
4.4 本章小结 |
第五章 脉搏信号实验研究方法对比 |
5.1 多尺度交叉近似熵在脉搏信号分析中的应用 |
5.2 瞬时频率在脉搏信号分析中的应用 |
5.3 实验对比分析 |
5.3.1 受试人群参数的差异性分析 |
5.3.2 受试人群参数的相关性分析 |
5.3.3 受试人群参数的多元线性回归分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
致谢 |
个人简介 |
(6)熵测度及压缩感知理论在睡眠质量评估中的研究与应用(论文提纲范文)
摘要 |
ABSTRACT |
缩略语注释表 |
第一章 绪论 |
1.1 研究背景和意义 |
1.2 睡眠问题研究现状及面临的挑战 |
1.3 睡眠分期的研究进展 |
1.3.1 睡眠分期的定义 |
1.3.2 R&K睡眠分期标准 |
1.3.3 睡眠分期的分析方法 |
1.4 阻塞性睡眠呼吸暂停及脑功能偏侧化研究进展 |
1.4.1 阻塞性睡眠呼吸暂停 |
1.4.2 脑功能偏侧化及其在睡眠中的初步研究 |
1.5 基于心电信号的睡眠问题研究概述 |
1.6 本文主要工作及章节安排 |
1.6.1 本文的主要工作 |
1.6.2 章节安排 |
第二章 生理信号分析中的时间序列熵测度和压缩感知理论 |
2.1 时间序列熵测度 |
2.1.1 近似熵 |
2.1.2 样本熵 |
2.1.3 模糊熵 |
2.1.4 模糊测度熵 |
2.1.5 熵测度在生理信号分析中的应用 |
2.2 压缩感知 |
2.2.1 压缩感知理论的数学模型 |
2.2.2 压缩感知在生理信号分析中的应用 |
2.3 本章小结 |
第三章 基于时间序列熵测度的睡眠分期方法 |
3.1 理论及方法 |
3.1.1 熵值特征提取 |
3.1.2 一对多支持向量机 |
3.1.3 性能评估指标 |
3.1.4 方法流程 |
3.2 实验数据及预处理 |
3.3 实验结果 |
3.3.1 熵值特征 |
3.3.2 独立样本t检验 |
3.3.3 非独立样本训练与测试 |
3.3.4 独立样本训练与测试 |
3.4 讨论 |
3.4.1 与现有睡眠分期方法的对比 |
3.4.2 睡眠分期结果分析 |
3.5 本章小结 |
第四章 一种新的睡眠分期熵测度算法—张量近似熵 |
4.1 张量近似熵的提出 |
4.2 张量近似熵的定义 |
4.3 实验设计 |
4.3.1 由传统的时间序列构造普通张量 |
4.3.2 由多导睡眠数据构造睡眠张量 |
4.3.3 张量近似熵的一致性分析 |
4.3.4 张量近似熵的辨识能力分析 |
4.3.5 张量近似熵的统计检验 |
4.4 实验数据 |
4.5 实验结果 |
4.5.1 张量近似熵在普通张量上的一致性及辨识能力分析 |
4.5.2 张量近似熵在睡眠张量上的一致性及辨识能力分析 |
4.5.3 统计检验结果 |
4.5.4 张量近似熵在睡眠分期中的应用 |
4.6 讨论 |
4.6.1 张量近似熵在普通张量上的性能分析 |
4.6.2 张量近似熵在睡眠分期上的性能对比 |
4.7 本章小结 |
附录—张量近似熵的MATLAB代码 |
第五章 阻塞性睡眠呼吸暂停的脑功能偏侧化研究 |
5.1 理论与方法 |
5.1.1 模糊熵与偏侧化指数 |
5.1.2 增强偏侧化指数 |
5.2 实验数据 |
5.2.1 UCDDB公开睡眠数据 |
5.2.2 临床睡眠数据 |
5.3 实验结果 |
5.3.1 模糊熵特征提取 |
5.3.2 偏侧化指数LI分布 |
5.3.3 增强偏侧化指数ELI分布 |
5.3.4 统计检验 |
5.4 讨论 |
5.5 本章小结 |
第六章 基于压缩感知理论的睡眠心电信号采样压缩及重构 |
6.1 一维睡眠心电信号的压缩感知应用 |
6.1.1 模型框架 |
6.1.2 评价指标 |
6.1.3 数据及仿真流程 |
6.1.4 实验结果 |
6.2 二维心电信号的压缩感知应用 |
6.2.1 模型框架 |
6.2.2 实验结果 |
6.3 讨论 |
6.4 本章小结 |
第七章 总结和展望 |
7.1 研究总结 |
7.2 工作展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文及参与的科研项目 |
发表的学术论文 |
申请专利 |
主持的科研项目 |
参与的科研项目 |
学位论文评阅及答辩情况表 |
(7)金融时间序列的熵理论研究与应用(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景 |
1.2 研究方法 |
1.3 论文创新性 |
1.4 论文结构 |
2 基于分数阶与多标度置换熵的时间序列分析 |
2.1 方法提出 |
2.1.1 分数阶置换熵与分数阶Jensen-Shannon散度 |
2.1.2 多标度分数阶置换熵与多标度分数阶Jensen-Shannon散度 |
2.2 实验数据 |
2.2.1 逻辑映射 |
2.2.2 Hénon 映射 |
2.2.3 Burgers映射 |
2.2.4 股票指数 |
2.3 结果分析 |
2.3.1 熵平面分析 |
2.3.2 多标度分析 |
3 基于累积直方图的交叉近似熵方法 |
3.1 方法提出 |
3.1.1 传统方法下的交叉近似熵 |
3.1.2 基于累积直方图的交叉近似熵 |
3.2 实验数据 |
3.2.1 ARFIMA模型 |
3.2.2 Hénon 映射 |
3.2.3 金融股票数据 |
3.3 结果分析 |
3.3.1 交叉近似熵及间接度量 |
3.3.2 有效性测试 |
3.3.3 数据长度测试 |
3.3.4 熵平面 |
3.3.5 移动窗口 |
4 基于高阶矩与多标度相对熵的不可逆性分析 |
4.1 方法提出 |
4.1.1 高阶矩相对熵 |
4.1.2 可视图法 |
4.1.3 重叠式多标度 |
4.2 实验数据 |
4.2.1 逻辑映射 |
4.2.2 Hénon 映射 |
4.2.3 金融股票数据 |
4.3 结果分析 |
4.3.1 高阶矩分析 |
4.3.2 重叠式多标度分析 |
5 基于置换模式与可视图的不可逆性分析 |
5.1 方法提出 |
5.1.1 Jensen-Shannon散度与完全平均散度 |
5.1.2 概率计算方法 |
5.2 实验数据 |
5.2.1 ARFIMA模型 |
5.2.2 金融股票数据 |
5.3 结果分析 |
5.3.1 长度测试 |
5.3.2 动态时间分析 |
5.3.3 多标度分析 |
5.3.4 效用分析 |
6 结论与展望 |
6.1 结论 |
6.2 未来展望 |
参考文献 |
作者简历及攻读硕士学位期间取得的研究成果 |
学位论文数据集 |
(8)基于欧氏距离多尺度熵的异常流量特征研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 多尺度熵理论研究 |
1.2.2 网络流量基本特征研究 |
1.2.3 网络流量特征刻画方法研究 |
1.3 课题研究内容及创新 |
1.4 论文组织结构 |
第二章 相关理论和技术 |
2.1 多尺度熵理论 |
2.1.1 多尺度熵理论概述 |
2.1.2 多尺度熵理论工作原理 |
2.2 网络流量基本特征 |
2.2.1 自相似性 |
2.2.2 长相关性 |
2.2.3 突发性 |
2.3 异常流量刻画方法相关理论与技术 |
2.3.1 异常流量类型 |
2.3.2 异常流量概述 |
2.3.3 网络体系结构介绍 |
2.4 本章小结 |
第三章 欧氏距离多尺度熵 |
3.1 熵理论 |
3.1.1 多尺度熵(MSE) |
3.1.2 复合多尺度熵(CMSE) |
3.1.3 模糊近似熵(Fuzzy En) |
3.1.4 复合多尺度模糊熵(CMFE) |
3.2 欧氏距离多尺度熵(EDM-Fuzzy) |
3.2.1 方法背景 |
3.2.2 计算过程 |
3.3 实验评估 |
3.3.1 白噪声与1/f噪声 |
3.3.2 轴承振动数据分析 |
3.3.3 轴承故障诊断 |
3.4 本章小结 |
第四章 基于欧氏距离多尺度熵的异常流量特征研究 |
4.1 异常流量介绍 |
4.1.1 僵尸网络(Botnet)数据集描述 |
4.1.2 分布式拒绝攻击(DDoS)数据集描述 |
4.2 异常流量基本特征分析 |
4.2.1 组成结构分析 |
4.2.2 异常流量分布分析 |
4.3 异常流量相关性分析 |
4.3.1 僵尸网络(Botnet)Hurst指数特征分析 |
4.3.2 分布式拒绝攻击(DDoS)Hurst指数特征分析 |
4.4 基于欧氏距离多尺度熵的异常流量特征分析 |
4.4.1 僵尸网络(Botnet)流量特征研究 |
4.4.2 分布式拒绝攻击(DDoS)流量特征研究 |
4.5 正常网络流量特征研究 |
4.5.1 基本特征分析 |
4.5.2 基于欧氏距离多尺度熵的流量特征分析 |
4.5.3 正常与异常流量特征对比 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 工作总结 |
5.2 下一步展望 |
致谢 |
参考文献 |
附录 作者在读期间完成的学术论文及参与科研项目 |
详细摘要 |
(9)基于脑电信号的睡眠自动分期研究(论文提纲范文)
摘要 |
ABSTARCT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 研究内容及结构 |
1.3.1 研究内容 |
1.3.2 论文结构 |
第二章 睡眠及脑电相关介绍 |
2.1 睡眠脑电信号基本波形 |
2.2 睡眠的分期标准及各期特征 |
2.3 本章小结 |
第三章 睡眠脑电特征提取 |
3.1 实验数据 |
3.2 脑电信号预处理 |
3.2.1 小波变化理论 |
3.2.2 小波阈值去噪 |
3.3 时域特征提取 |
3.4 频域特征提取 |
3.5 时频域特征提取 |
3.6 非线性动力学方法特征提取 |
3.6.1 C0 复杂度 |
3.6.2 近似熵 |
3.6.3 样本熵 |
3.6.4 模糊熵 |
3.6.5 多尺度样本熵 |
3.6.6 奇异谱分析 |
3.7 本章小结 |
第四章 特征选择 |
4.1 决策树 |
4.2 递归式特征选择 |
4.3 混合特征选择方法 |
4.4 本章小结 |
第五章 基于混合特征选择和SVM的睡眠分期方法 |
5.1 SVM的理论基础 |
5.1.1 线性支持向量机学习算法 |
5.1.2 非线性支持向量机学习算法原理 |
5.1.3 SVM的多分类实现 |
5.2 算法流程 |
5.3 仿真分析 |
5.3.1 规范化处理 |
5.3.2 特征选择 |
5.3.3 实验结果 |
5.4 本章小结 |
第六章 基于混合特征选择和IFOA-SVM的睡眠分期方法 |
6.1 果蝇算法 |
6.2 改进的果蝇算法 |
6.3 IFOA优化SVM参数 |
6.4 基于IFOA-SVM的睡眠分期流程 |
6.5 仿真分析 |
6.5.1 改进果蝇算法优化SVM参数 |
6.5.2 实验结果 |
6.6 本章小结 |
第七章 结论与展望 |
7.1 结论 |
7.2 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 参与的科研项目及获奖情况 |
学位论文数据集 |
(10)基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法研究(论文提纲范文)
摘要 |
ABSTRACT |
创新点摘要 |
第一章 绪论 |
1.1 论文研究背景及意义 |
1.2 往复压缩机在石油化工领域的应用与发展现状 |
1.2.1 往复式压缩机在石油化工领域的应用及常见故障 |
1.2.2 石油化工用往复式压缩机典型故障案例分析 |
1.2.3 石油化工往复式压缩机的发展 |
1.2.4 石油化工往复式压缩机亟待解决的问题 |
1.3 故障诊断技术国内外研究现状 |
1.3.1 往复压缩机动力学仿真方法 |
1.3.2 信号自适应分解方法研究现状 |
1.3.3 多尺度熵方法研究现状 |
1.3.4 自适应分解与非线性分析方法结合研究现状 |
1.3.5 故障智能模式识别方法研究现状 |
1.4 本文组织结构与主要研究内容 |
第二章 往复压缩机轴承间隙故障动力学特性仿真研究 |
2.1 往复压缩机轴承故障机理分析 |
2.1.1 往复压缩机基本结构和工作原理 |
2.1.2 往复压缩机传动机构常见故障 |
2.1.3 往复压缩机轴承间隙故障机理分析 |
2.2 往复压缩机轴承间隙故障实验研究 |
2.2.1 往复压缩机测点布置 |
2.2.2 敏感测点的选择 |
2.3 轴承运动副间隙模型 |
2.3.1 运动副间隙运动学模型 |
2.3.2 运动副间隙接触力函数 |
2.4 含轴承运动副间隙的往复压缩机传动机构动力学方程 |
2.5 含轴承运动副间隙的往复压缩机传动机构多体动力学模型 |
2.6 本章小结 |
第三章 复合插值包络局部均值分解方法(CIELMD) |
3.1 LMD方法 |
3.2 复合插值包络局部分解方法(CIELMD) |
3.2.1 三次样条插值(CSI) |
3.2.2 单调三次Hermite插值包络(MPCHI) |
3.2.3 CSI和 MPCHI插值包络比较 |
3.2.4 复合插值包络(CIELMD)的两个关键问题 |
3.2.5 复合插值包络(CIELMD)算法步骤与流程 |
3.3 仿真信号实验分析 |
3.4 往复压缩机轴承间隙故障诊断应用 |
3.4.1 往复压缩机轴承间隙故障信号分析 |
3.4.2 故障信号CIELMD分析 |
3.4.3 结果分析 |
3.5 本章小结 |
第四章 精细复合多尺度模糊熵(RCMFE) |
4.1 样本熵与模糊熵 |
4.1.1 样本熵 |
4.1.2 模糊熵 |
4.2 精细复合多尺度模糊熵基本理论 |
4.2.1 多尺度熵(MSE) |
4.2.2 多尺度模糊熵(MFE) |
4.2.3 复合多尺度模糊熵(CMFE) |
4.2.4 精细复合多尺度模糊熵(RCMFE) |
4.2.5 参数的选取 |
4.3 仿真信号分析 |
4.4 往复压缩机轴承轴承间隙故障诊断应用 |
4.5 本章小结 |
第五章 基于CIELMD与 RCMFE的往复压缩机轴承故障特征提取方法 |
5.1 基于CIELMD与 RCMFE的特征提取方法 |
5.1.1 PF分量的选择 |
5.1.2 优化问题提出 |
5.1.3 文化基因算法的引入 |
5.1.4 MA算法搜索策略 |
5.1.5 基因编码 |
5.1.6 适应函数建立 |
5.1.7 算法与流程 |
5.2 往复压缩机不同轴承间隙程度特征提取 |
5.2.1 不同轴承间隙程度振动信号LMD分解 |
5.2.2 不同轴承间隙程度的RCMFE特征熵值提取 |
5.2.3 结果分析 |
5.3 基于二叉树支持向量机的往复压缩机故障模式识别 |
5.3.1 二叉树支持向量机(BTSVM) |
5.3.2 类的可分性测度 |
5.3.3 改进二叉树支持向量机独立参数优化方法 |
5.3.4 往复压缩机轴承间隙故障程度识别 |
5.4 本章小结 |
结论与展望 |
参考文献 |
发表文章目录 |
致谢 |
四、生物时间序列的近似熵和样本熵方法比较(论文参考文献)
- [1]一种水文序列变异诊断耦合模型及其应用[J]. 钱龙霞,李汉霖,汪腾,王艺玮,王红瑞. 工程科学与技术, 2021(05)
- [2]混沌序列复杂度算法及其在图像加密中的应用研究[D]. 刘春媛. 黑龙江大学, 2021(09)
- [3]基于多生理信号动力学特征分析的抑郁状态检测[D]. 赵璐璐. 山东大学, 2021(11)
- [4]激光雷达探测信号的处理和分类方法的研究[D]. 张海伦. 北方民族大学, 2021(08)
- [5]基于多尺度交叉近似熵的脉搏信号分析方法及其应用[D]. 何艳茹. 北方民族大学, 2021(08)
- [6]熵测度及压缩感知理论在睡眠质量评估中的研究与应用[D]. 张志民. 山东大学, 2020(01)
- [7]金融时间序列的熵理论研究与应用[D]. 李金阳. 北京交通大学, 2020(04)
- [8]基于欧氏距离多尺度熵的异常流量特征研究[D]. 王晓. 杭州电子科技大学, 2020(04)
- [9]基于脑电信号的睡眠自动分期研究[D]. 林少倩. 浙江工业大学, 2020(08)
- [10]基于CIELMD与RCMFE的往复压缩机轴承间隙故障特征提取方法研究[D]. 陈桂娟. 东北石油大学, 2019