• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 15
    • 下载费用:30 金币  

    重庆时时彩直播下载: 基于时间尺度局部HURST指数的时空标度分析方法.pdf

    关 键 词:
    基于 时间 尺度 局部 HURST 指数 时空 标度 分析 方法
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201710030397.2

    申请日:

    2017.01.17

    公开号:

    CN106815431A

    公开日:

    2017.06.09

    当前法律状态:

    实审

    有效性:

    审中

    法律详情: 实质审查的生效IPC(主分类):G06F 17/50申请日:20170117|||公开
    IPC分类号: G06F17/50 主分类号: G06F17/50
    申请人: 河海大学
    发明人: 孙洪广; 袁林; 白伦
    地址: 211100 江苏省南京市江宁区佛城西路8号
    优先权:
    专利代理机构: 南京纵横知识产权代理有限公司 32224 代理人: 朱妃;董建林
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201710030397.2

    授权公告号:

    |||

    法律状态公告日:

    2017.07.04|||2017.06.09

    法律状态类型:

    实质审查的生效|||公开

    摘要

    本发明公开了一种基于时间尺度局部Hurst指数的时空标度分析方法,步骤为:建立时间序列,生成波动增量时间序列;计算局部Hurst指数,构成Ht序列;对不同空间下Ht序列进行频数统计,计算空间概率密度分布;对空间概率密度分布进行高斯拟合,确定原分布和拟合分布的空间尺度统计特征值,通过统计特征值考察并量化标度行为随空间因素的变化;按照特征时间对Ht序列进行区间划分,确定每个区间Ht序列的时间概率密度分布并确定时间尺度统计特征值,通过统计特征值考察并量化标度行为随时间因素的变化。从统计角度以时间尺度局部Hurst指数的分布构造分形结构,通过统计特征值量化不同空间和时间上标度结构发生的转变。

    权利要求书

    1.一种基于时间尺度局部Hurst指数的时空标度分析方法,其特征在于,包括以下步
    骤:
    1)选择研究对象,获取目标数据,建立相应的时间序列;
    2)检验时间序列中的目标时间序列是否含周期成分、是否呈随机行走形态;
    若是,则去除目标时间序列的周期成分,生成对应的波动增量时间序列;
    若否,即目标时间序列不含周期成分、且呈噪音形态,则该目标时间序列为波动增量时
    间序列,直接执行下一步;
    3)计算波动增量时间序列的局部Hurst指数,构成Ht序列;
    4)对不同空间环境背景的Ht序列进行频数统计,计算基于不同空间下的概率密度分布;
    5)进行空间上的标度行为分析;
    5-1)对基于不同空间下的概率密度分布进行高斯拟合,确定原分布和拟合分布的空间
    尺度下的统计特征值;
    5-2)通过空间尺度下的统计特征值,考察并量化标度行为随空间因素的变化;
    6)进行时间上的标度行为分析;
    6-1)按照特征时间对Ht序列进行区间划分,确定每个时间区间段的Ht序列的基于不同
    时间下的概率密度分布,并确定时间尺度下的统计特征值;
    6-2)通过时间尺度下的统计特征值,考察并量化标度行为随时间因素的变化。
    2.根据权利要求1所述的基于时间尺度局部Hurst指数的时空标度分析方法,其特征在
    于:所述步骤1)中的时间序列,是将待考察的现象或已测得的数据整理为连续的时间序列
    u,u=u1,u2,…,ui,…,uN,i∈[1,N];其中,N为自然数。
    3.根据权利要求2所述的基于时间尺度局部Hurst指数的时空标度分析方法,其特征在
    于:所述步骤2)中的去除目标时间序列的周期成分,生成对应的波动增量时间序列,具体
    为,
    令ui为时间序列u中的目标时间序列,vi为去除ui的周期成分后的时间序列,则
    其中,<>为均值运算;
    令xi为vi的波动增量时间序列,则xi=vi+1-vi。
    4.根据权利要求3所述的基于时间尺度局部Hurst指数的时空标度分析方法,其特征在
    于:所述步骤3)中的计算波动增量时间序列的局部Hurst指数,具体为,
    3-1)将波动增量时间序列xi转变为随机行走结构序列Y(k),
    <mrow> <mi>Y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>&lt;</mo> <mi>x</mi> <mo>&gt;</mo> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>&Element;</mo> <mo>&lsqb;</mo> <mn>1</mn> <mo>,</mo> <mi>N</mi> <mo>&rsqb;</mo> </mrow>
    其中,<x>为波动增量时间序列均值;
    3-2)确定计算局部Hurst指数的区间长度s,保证s尺度大小的区间内囊括我们要分析
    的特征波动,使得计算的局部Hurst指数具有表征意义,同时保证为后面的局部Hurst指数
    的统计分析提供足够的支持;
    对Y(k)序列进行等距重叠划分,要求根据确定的区间长度s,保证重叠区间的区间中值
    是连续的;
    3-3)每个区间内,用p阶多项式进行局部拟合,v=1,…,Nv,Nv=N-s,p取1或大于1的
    阶数;
    3-4)得出s尺度下每个区间的局部波动均方根RMS,
    <mrow> <mi>R</mi> <mi>M</mi> <mi>S</mi> <mo>{</mo> <mi>s</mi> <mo>}</mo> <mrow> <mo>(</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>s</mi> </mfrac> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </msubsup> <mo>-</mo> <msup> <mrow> <mo>(</mo> <mi>Y</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msubsup> <mi>y</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>s</mi> </mrow> <mi>p</mi> </msubsup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
    其中,为第v局部区间的p阶多项式拟合,p取1或大于1的阶数;
    3-5)以q取0时、对数坐标下定义的直线Fq(s)~sH(0)定义一条回归线,斜率H(0)等于0阶
    Hurst指数;
    根据确定的区间尺度s值,确定回归线上相应的波动函数值F0(s);
    在区间尺度为s值情况下,残差波动均方根resRMS(v)为,
    resRMS(v)=logF0(s)-log(RMS(v))
    即为波动函数值F0(s)与局部波动均方根RMS{s}(v)在对数坐标下的差;
    局部Hurst指数Ht由下式求得,
    <mrow> <msub> <mi>H</mi> <mi>t</mi> </msub> <mrow> <mo>(</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mi>r</mi> <mi>e</mi> <mi>s</mi> <mi>R</mi> <mi>M</mi> <mi>S</mi> <mrow> <mo>(</mo> <mi>v</mi> <mo>)</mo> </mrow> </mrow> <mrow> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>max</mi> <mi> </mi> <mi>L</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>l</mi> <mi>o</mi> <mi>g</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> </mrow> </mfrac> <mo>+</mo> <mi>H</mi> <msub> <mrow> <mo>(</mo> <mi>q</mi> <mo>)</mo> </mrow> <mrow> <mi>q</mi> <mo>=</mo> <mn>0</mn> </mrow> </msub> </mrow>
    其中,maxL为随机行走结构序列Y(k)的长度。
    5.根据权利要求4所述的基于时间尺度局部Hurst指数的时空标度分析方法,其特征在
    于:所述步骤3-5)中的0阶Hurst指数H(0),Fq(s)~sH(0),具体为,
    3-5-1)确定区间尺度s,保证s的大小不超过总序列长度的十分之一;
    3-5-2)将波动增量时间序列xi转变为随机行走结构序列Y(k),
    <mrow> <mi>Y</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>k</mi> </munderover> <mrow> <mo>(</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>&lt;</mo> <mi>x</mi> <mo>&gt;</mo> <mo>)</mo> </mrow> <mo>,</mo> <mi>k</mi> <mo>&Element;</mo> <mo>&lsqb;</mo> <mn>1</mn> <mo>,</mo> <mi>N</mi> <mo>&rsqb;</mo> </mrow>
    根据确定的区间尺度s对随机行走结构序列Y(k)进行等距非重叠划分;
    3-5-3)对每个区间进行去除趋势计算,计算随机行走结构序列Y(k)每个区间内相对局
    部趋势偏差的均方根
    <mrow> <msub> <mover> <mi>Y</mi> <mo>~</mo> </mover> <mi>s</mi> </msub> <mrow> <mo>(</mo> <mi>v</mi> <mo>)</mo> </mrow> <mo>=</mo> <msqrt> <mrow> <mfrac> <mn>1</mn> <mi>s</mi> </mfrac> <msubsup> <mi>&Sigma;</mi> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>s</mi> </msubsup> <msup> <mrow> <mo>(</mo> <mi>Y</mi> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>-</mo> <msubsup> <mi>Y</mi> <mrow> <mi>v</mi> <mo>,</mo> <mi>s</mi> </mrow> <mi>p</mi> </msubsup> <mo>(</mo> <mi>i</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mrow> </msqrt> </mrow>
    其中,为第v局部区间的p阶多项式拟合,p取1或大于1的阶数;
    3-5-4)改变区间尺度s的大小,重复步骤3-5-1)至步骤3-5-3),由求得0阶Hurst指
    数H(0),
    <mrow> <msub> <mi>F</mi> <mn>0</mn> </msub> <mrow> <mo>(</mo> <mi>s</mi> <mo>)</mo> </mrow> <mo>=</mo> <mi>exp</mi> <mo>{</mo> <mfrac> <mn>1</mn> <msub> <mi>N</mi> <mi>s</mi> </msub> </mfrac> <munderover> <mo>&Sigma;</mo> <mrow> <mi>v</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>N</mi> <mi>s</mi> </msub> </munderover> <mi>l</mi> <mi>n</mi> <mrow> <mo>(</mo> <msup> <msub> <mover> <mi>Y</mi> <mo>~</mo> </mover> <mi>s</mi> </msub> <mn>2</mn> </msup> <mo>(</mo> <mi>v</mi> <mo>)</mo> <mo>)</mo> </mrow> <mo>}</mo> <mo>~</mo> <msup> <mi>s</mi> <mrow> <mi>H</mi> <mrow> <mo>(</mo> <mn>0</mn> <mo>)</mo> </mrow> </mrow> </msup> </mrow>
    其中,Ns=N/s。
    6.根据权利要求1所述的基于时间尺度局部Hurst指数的时空标度分析方法,其特征在
    于:所述步骤5)中的高斯拟合,是用高斯分布拟合Ht序列的分布;
    其高斯分布公式为其中,σ为标准差,h为拟合变量,H0为
    均值。
    7.根据权利要求1所述的基于时间尺度局部Hurst指数的时空标度分析方法,其特征在
    于:所述步骤6)中的确定时间尺度下的统计特征值,具体是通过主导Hurst指数以概率
    密度分布的最大值对应的Hurst指数确定的。

    说明书

    基于时间尺度局部Hurst指数的时空标度分析方法

    技术领域

    本发明涉及一种标度分析方法,特别是涉及一种基于时间尺度局部Hurst指数的
    时空标度分析方法,属于数据分析技术领域。

    背景技术

    自然过程或受多因素影响的复杂系统生成的序列过程通常体现为无序、非稳态、
    随机和非线性,传统的统计方法已经无法表征这种复杂的波动过程。近年来,研究发现复杂
    的时间结构的震荡行为是无尺度特性的,而自相似性是这种无特征尺度行为的必然性质。
    Hurst指数作为判断时间序列遵从随机行走还是分数有偏随机游走过程的指标,被广泛用
    来表征具有不同相关性的标度行为。当0<H<0.5时,波动为反持续波动,当0.5<H<1时,为长
    相关性波动。

    目前,估计Hurst指数的方法主要有重标极差估计法(R/S)、小波变换极大模值法
    (WTMM)、波动分析法(FA)、频谱分析法、广义Hurst指数估计法(GHE)、去趋势波动分析法
    (DFA)、多重去趋势波动分析(MF-DFA)等(见:文献1Kantelhardt J W.Fractal and
    Multifractal Time Series[J].Physics,2008:463-487),这些方法被成熟地广泛应用于
    时间序列的标度行为或多重标度行为的估计上,为判别、比较和模拟动力系统提供了识别
    参数。但是,这些方法得到的Hurst指数仅仅表征的是整体的标度行为,也就是依靠估计的
    一个或有限的Hurst指数对生成序列的动力系统进行行为特征估计。然而,实际情况下在各
    种内在或外界因素的影响下,标度行为是随着时间不断发生变化的,而这些方法无法估计
    具体某一时刻或具体某一事件影响下的局部Hurst指数。

    基于以上原因,局部Hurst指数的估计(见:文献2Ihlen E A.Introduction to
    Multifractal Detrended Fluctuation Analysis in Matlab[J].Frontiers in
    Physiology,2012,3(141):141)为我们提供了对复杂动力系统进行局部分析和深入理解的
    必要认识,弥补了传统估计方法结果的不足。但据我们所知,局部Hurst指数是由局部波动
    所估计的,单一的局部Hurst指数对标度行为特征没有明显意义上的体现。

    因此,需要建立一种依托局部Hurst指数反映整体行为的分析技术以解决完善上
    述方法所存在的问题。

    发明内容

    本发明的主要目的在于,克服现有技术中的不足,提供一种基于时间尺度局部
    Hurst指数的时空标度分析方法,从统计角度以时间尺度局部Hurst指数的分布构造分形结
    构,通过统计特征值量化不同空间和时间上标度结构发生的转变,从而反映整体行为。

    为了达到上述目的,本发明所采用的技术方案是:

    一种基于时间尺度局部Hurst指数的时空标度分析方法,包括以下步骤:

    1)选择研究对象,获取目标数据,建立相应的时间序列;

    2)检验时间序列中的目标时间序列是否含周期成分、是否呈随机行走形态;

    若是,则去除目标时间序列的周期成分,生成对应的波动增量时间序列;

    若否,即目标时间序列不含周期成分、且呈噪音形态,则该目标时间序列为波动增
    量时间序列,直接执行下一步;

    3)计算波动增量时间序列的局部Hurst指数,构成Ht序列;

    4)对不同空间环境背景的Ht序列进行频数统计,计算基于不同空间下的概率密度
    分布;

    5)进行空间上的标度行为分析;

    5-1)对基于不同空间下的概率密度分布进行高斯拟合,确定原分布和拟合分布的
    空间尺度下的统计特征值;

    5-2)通过空间尺度下的统计特征值,考察并量化标度行为随空间因素的变化;

    6)进行时间上的标度行为分析;

    6-1)按照特征时间对Ht序列进行区间划分,确定每个时间区间段的Ht序列的基于
    不同时间下的概率密度分布,并确定时间尺度下的统计特征值;

    6-2)通过时间尺度下的统计特征值,考察并量化标度行为随时间因素的变化。

    本发明进一步设置为:所述步骤1)中的时间序列,是将待考察的现象或已测得的
    数据整理为连续的时间序列u,u=u1,u2,…,ui,…,uN,i∈[1,N];其中,N为自然数。

    本发明进一步设置为:所述步骤2)中的去除目标时间序列的周期成分,生成对应
    的波动增量时间序列,具体为,

    令ui为时间序列u中的目标时间序列,vi为去除ui的周期成分后的时间序列,则
    其中,<>为均值运算;

    令xi为vi的波动增量时间序列,则xi=vi+1-vi。

    本发明进一步设置为:所述步骤3)中的计算波动增量时间序列的局部Hurst指数,
    具体为,

    3-1)将波动增量时间序列xi转变为随机行走结构序列Y(k),


    其中,<x>为波动增量时间序列均值;

    3-2)确定计算局部Hurst指数的区间长度s,保证s尺度大小的区间内囊括我们要
    分析的特征波动,使得计算的局部Hurst指数具有表征意义,同时保证为后面的局部Hurst
    指数的统计分析提供足够的支持;

    对Y(k)序列进行等距重叠划分,要求根据确定的区间长度s,保证重叠区间的区间
    中值是连续的;

    3-3)每个区间内,用p阶多项式进行局部拟合,v=1,…,Nv,Nv=N-s,p取1或大
    于1的阶数;

    3-4)得出s尺度下每个区间的局部波动均方根RMS,


    其中,为第v局部区间的p阶多项式拟合,p取1或大于1的阶数;

    3-5)以q取0时、对数坐标下定义的直线Fq(s)~sH(0)定义一条回归线,斜率H(0)等
    于0阶Hurst指数;

    根据确定的区间尺度s值,确定回归线上相应的波动函数值F0(s);

    在区间尺度为s值情况下,残差波动均方根resRMS(v)为,

    resRMS(v)=logF0(s)-log(RMS(v))

    即为波动函数值F0(s)与局部波动均方根RMS{s}(v)在对数坐标下的差;

    局部Hurst指数Ht由下式求得,


    其中,maxL为随机行走结构序列Y(k)的长度。

    本发明进一步设置为:所述步骤3-5)中的0阶Hurst指数H(0),Fq(s)~sH(0),具体
    为,

    3-5-1)确定区间尺度s,保证s的大小不超过总序列长度的十分之一;

    3-5-2)将波动增量时间序列xi转变为随机行走结构序列Y(k),


    根据确定的区间尺度s对随机行走结构序列Y(k)进行等距非重叠划分;

    3-5-3)对每个区间进行去除趋势计算,计算随机行走结构序列Y(k)每个区间内相
    对局部趋势偏差的均方根


    其中,为第v局部区间的p阶多项式拟合,p取1或大于1的阶数;

    3-5-4)改变区间尺度s的大小,重复步骤3-5-1)至步骤3-5-3),由求得0阶
    Hurst指数H(0),


    其中,Ns=N/s。

    本发明进一步设置为:所述步骤5)中的高斯拟合,是用高斯分布拟合Ht序列的分
    布;

    其高斯分布公式为其中,σ为标准差,h为拟合变量,
    H0为均值。

    本发明进一步设置为:所述步骤6)中的确定时间尺度下的统计特征值,具体是通
    过主导Hurst指数,以概率密度分布的最大值对应的Hurst指数确定的。

    与现有技术相比,本发明具有的有益效果是:

    本发明的时空标度分析方法,以时间尺度局部Hurst指数为基础构造分形结构,可
    以对局部具体时刻的标度行为或具体某外界因素的影响进行识别,避免了传统方法得到的
    Hurst指数所估计的标度指数只能表征整体空间标度行为的缺点;并利用统计分布的方式
    构造分形结构,简单直接地表示了时间序列的奇异性,统计特征值被用来表征整体的标度
    行为,提供了直接可比较的方法;同时,结合时间尺度局部Hurst指数和统计分布,拓展了标
    度分析的内容,建立了空间行为变化分析和时间变化分析,丰富了识别系统的途径,为多领
    域的相关性分析提供了系统的分析方法,具有重要的理论和工程意义。

    上述内容仅是本发明技术方案的概述,为了更清楚的了解本发明的技术手段,下
    面结合附图对本发明作进一步的描述。

    附图说明

    图1为本发明基于时间尺度局部Hurst指数的时空标度分析方法的流程图;

    图2为三个不同测量点d1、d2、d3的地下水波动数据及计算得出的Ht序列;

    图2(a)为测量点d1的地下水波动数据及计算得出的Ht序列;

    图2(b)为测量点d2的地下水波动数据及计算得出的Ht序列;

    图2(c)为测量点d3的地下水波动数据及计算得出的Ht序列;

    图3为不同测量点的局部指数Ht序列的概率密度分布与拟合曲线;

    图4为不同测量点的局部指数Ht序列的概率密度分布逐年变化;

    图5为不同测量点的主导Hurst指数的逐年变化及趋势线。

    具体实施方式

    下面结合说明书附图,对本发明作进一步的说明。

    本发明提供一种基于时间尺度局部Hurst指数的时空标度分析方法,如图1所示,
    包括以下步骤:

    1)选择研究对象,获取目标数据,建立相应的时间序列。

    其中的时间序列,是将待考察的现象或已测得的数据整理为连续的时间序列u,u
    =u1,u2,…,ui,…,uN,i∈[1,N];其中,N为自然数。

    2)检验时间序列中的目标时间序列是否含周期成分、是否呈随机行走形态。

    若是,则去除目标时间序列的周期成分,生成对应的波动增量时间序列;具体为,

    令ui为时间序列u中的目标时间序列,vi为去除ui的周期成分后的时间序列,则
    其中,<>为均值运算;

    令xi为vi的波动增量时间序列,则xi=vi+1-vi。

    若否,即目标时间序列不含周期成分、且呈噪音形态,则该目标时间序列为波动增
    量时间序列,直接执行下一步。

    3)计算波动增量时间序列的局部Hurst指数,以去除趋势波动分析(DFA)和多重去
    除趋势波动分析(MF-DFA)算法为基础,构成Ht序列。

    3-1)将波动增量时间序列xi转变为随机行走结构序列Y(k),


    其中,<x>为波动增量时间序列均值;

    3-2)确定计算局部Hurst指数的区间长度s,保证s尺度大小的区间内囊括我们要
    分析的特征波动,使得计算的局部Hurst指数具有表征意义,同时保证为后面的局部Hurst
    指数的统计分析提供足够的支持;

    对Y(k)序列进行等距重叠划分,要求根据确定的区间长度s,保证重叠区间的区间
    中值是连续的;

    3-3)每个区间内,用p阶多项式进行局部拟合,v=1,…,Nv,Nv=N-s,p取1
    (DFA1)或大于1的阶数(DFA2,DFA3,……);

    3-4)对每个区间进行去除趋势计算,得出s尺度下每个区间的局部波动均方根
    RMS,


    其中,为第v局部区间的p阶多项式拟合,p取1或大于1的阶数;

    3-5)以q取0时、对数坐标下定义的直线Fq(s)~sH(0)定义一条回归线,斜率H(0)等
    于0阶Hurst指数;

    根据确定的区间尺度s值,确定回归线上相应的波动函数值F0(s);

    在区间尺度为s值情况下,残差波动均方根resRMS(v)为,

    resRMS(v)=logF0(s)-log(RMS(v))

    即为波动函数值F0(s)与局部波动均方根RMS{s}(v)在对数坐标下的差;

    局部Hurst指数Ht由下式求得,


    其中,maxL为随机行走结构序列Y(k)的长度。

    步骤3-5)中的0阶Hurst指数H(0),Fq(s)~sH(0),具体为,

    3-5-1)确定区间尺度s,保证s的大小不超过总序列长度的十分之一;

    3-5-2)将波动增量时间序列xi转变为随机行走结构序列Y(k),


    根据确定的区间尺度s对随机行走结构序列Y(k)进行等距非重叠划分;

    3-5-3)对每个区间进行去除趋势计算,计算随机行走结构序列Y(k)每个区间内相
    对局部趋势偏差的均方根


    其中,为第v局部区间的p阶多项式拟合,p取1(DFA1)或大于1的阶数(DFA2,
    DFA3,……);

    3-5-4)改变区间尺度s的大小,重复步骤3-5-1)至步骤3-5-3),由求得0阶
    Hurst指数H(0),


    其中,Ns=N/s。

    4)对不同空间环境背景的Ht序列进行频数统计,计算基于不同空间下的概率密度
    分布。

    5)进行空间上的标度行为分析。

    5-1)对基于不同空间下的概率密度分布进行高斯拟合,确定原分布和拟合分布的
    空间尺度下的统计特征值;

    其中的高斯拟合,是用高斯分布拟合Ht序列的分布;

    其高斯分布公式为其中,σ为标准差,h为拟合变量,
    H0为局部指数序列的均值。

    5-2)通过空间尺度下的统计特征值,考察并量化标度行为随空间因素的变化。

    6)进行时间上的标度行为分析。

    6-1)按照特征时间对Ht序列进行区间划分,确定每个时间区间段的Ht序列的基于
    不同时间下的概率密度分布,并确定时间尺度下的统计特征值;

    其中的确定时间尺度下的统计特征值,具体是通过主导Hurst指数以概率密度
    分布的最大值对应的Hurst指数确定的。

    6-2)通过时间尺度下的统计特征值,考察并量化标度行为随时间因素的变化。

    实施例:

    实施例数据采用来自美国国家地质调查局(USGS)按日测量的地下水波动数据,如
    图2所示,该数据位于密西西比河下游流域的哈奇河流域,收集了三个不同数据测量点水井
    连续五年测得的地下水波动数据。其中,图2(a)为d1数据测量点位于哈奇河下游近河岸测
    量点的地下水波动数据,图2(b)为d2数据测量点位于哈奇河下游远离河岸测量点的地下水
    波动数据,图2(c)为d3数据测量点位于哈奇河上游测量点的地下水波动数据,三个测量点
    所在的水文环境具有各不相同的特征。

    根据示例数据,局部区间尺度s大小取为30天,计算得出相应的Ht序列,如图2所
    示。

    对三个测量点的Ht序列的概率分布进行高斯分布拟合,如图3所示??悸峭臣撇问?br />主导Hurst指数H评估整体标度行为,均值H0,标准差σ为高斯分布拟合参量,得到三个测量
    点相应的水文环境下的局部Hurst指数的统计特征值,见表1。


    表1

    由表1可得,由下游远离河岸测量点d2到下游近河岸测量点d1,再到上游测量点
    d3,三个测量点的Ht序列分布向右移动;这意味着波动相关性在逐渐加强,同时分布的范围
    变大,意味着标度行为的复杂性在变大,意味着上游流域复杂的水文环境。进一步地,d1测
    量点的主导Hurst指数说明其波动呈现的是长相关稳态波动;d2测量点主
    导Hurst指数说明其波动呈反持续波动;d3测量点主导Hurst指数
    说明其波动呈长相关性非稳态波动。而Hurst指数则说明局部
    Hurst指数分布存在正偏斜。

    对每个波动时间序列,按年进行区域划分,即划分为5个区间,对每一年的局部
    Hurst指数进行数理统计,如图4所示,则每个测量点逐年的标度统计结构变化,可以对比整
    体序列分布图3得出,图4中的背景灰色分布即为得出的五年整体序列分布。

    从图4可以发现,d1测量点的标度行为变化是逐年波动持续性增强;d2测量点的整
    体行为趋于稳定,但分布范围逐渐变大,说明它的标度行为复杂程度在变大;d3测量点的变
    化呈现无规律性。

    将逐年分布的主导Hurst指数及其趋势线按年画出,如图5所示,可以清楚地表
    示出按时间的变化趋势。

    本发明的创新点在于,从统计角度以时间尺度局部Hurst指数的分布构造分形结
    构,通过统计特征值量化不同空间和时间上标度结构发生的转变,从而反映整体行为。

    以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该
    了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原
    理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进
    都落入要求?;さ谋痉⒚鞣段?。本发明要求?;し段в伤降娜ɡ笫榧捌涞刃锝?br />定。

    关于本文
    本文标题:基于时间尺度局部HURST指数的时空标度分析方法.pdf
    链接地址://www.4mum.com.cn/p-6021177.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 体彩11选5任三稳赚 北京pk10冠军一码计划 黑马计划软件网址 怎样买极速快3 重庆时时预测下一把 北京pk赛车官网开奖 幸运28稳定模式 时时彩每天稳赚100块 吉林时时87开奖号码 计划软件 黑龙江时时不开奖 大乐透六等奖多少钱 双色球手机投注软件 河北时时计算公式 网上百家刷流水方法 骰宝单双玩法