摘要：
增量熵Increment Entropy，多尺度增量熵，层次增量熵，时移多尺度增量熵，复合多尺度增量熵，精细复合多尺度增量熵（Matlab代码获取链接： https://mbd.pub/o/bread/mbd-ZJqamJds ） 熵已成为量化时间序列复杂性的常用指标，应用于生物医学、神经科学、电气 阅读全文
摘要：
时间序列分类(TSC)在时间序列数据挖掘任务中备受关注，已经应用到各个领域。随着卷积神经网络(Convolutional Neural Network, CNN)的迅速发展，基于卷积神经网络的TSC方法直到最近才开始出现。因此，提出了一个新的深度学习框架，使用相对位置矩阵（Relative Posi 阅读全文
摘要：
模糊散布熵Fuzzy dispersion entropy，多尺度模糊散布熵，层次模糊散布熵，时移多尺度模糊散布熵，复合多尺度模糊散布熵，精细复合多尺度模糊散布熵（Matlab代码获取链接： https://mbd.pub/o/bread/mbd-ZJqamJds ） 熵或复杂性度量区分时间序列类别 阅读全文
摘要：
斜率熵Slop entropy，多尺度斜率熵，层次斜率熵，时移多尺度斜率熵，复合多尺度斜率熵，精细复合多尺度斜率熵（Matlab代码获取链接：https://mbd.pub/o/bread/mbd-ZJqZlJ5t） 熵或复杂性度量区分时间序列类别和理解潜在动态的能力是众所周知的。斜率熵(Slop 阅读全文
摘要：
符号递归图（Symbolic recurrence plots）：是一种以为时间序列转图像技术，可用于平稳和非平稳数据集;对噪声具有鲁棒性，在一定的数据变换条件下具有不变性。结合深度学习技术可以解决能源电力，水利，天气，生物医学，交通等领域的复杂模式识别和监测任务。 链接：https://mbd.p 阅读全文
摘要：
K-means是一种聚类算法，是简单且热门的无监督式机器学习算法之一。 实现了几种kmeans，包括：https://mbd.pub/o/bread/mbd-ZJqYmJ1t kmeans kmeans++ mini batch kmeans canopy kmeans parallel kmean 阅读全文
摘要：
Markov Transition Field，马尔可夫转移场（matlab版）将一维时间序列转成二维数据可以对原数据进行更好地表征，从而基于新的表征结合深度学习机器视觉技术来发掘更多的规律和信息。这使得Markov Transition Field，马尔可夫转移场在金融，能源电力，水利，气象、机械 阅读全文
摘要：
近年来，一种直观的信号表示方法--对称点模式(symmetric dot pattern, SDP)被用于信号分析和模式识别。与一些常规方法不同，SDP是一种基于极坐标系的图像表示方法，可以直接将原始信号转换为镜像对称雪花图像，实现简单，计算量小，且对噪声鲁棒。模式之间的识别和区分与信号之间的幅度和 阅读全文
摘要：
复杂系统内部结构特征的提取一直是研究人员关注的问题。时间序列作为复杂系统的重要信息载体，得到了广泛的研究。时间序列的复杂性与时间序列的多种动态特性密切相关，如长程相关等、多重分形特征、混沌特征等。这些特征的存在使得时间序列表现出不同程度的复杂性。研究人员希望通过分析时间序列的动态模式来揭示复杂系统的 阅读全文
摘要：
庞加莱图是一种回归图，它从几何上阐明了时间序列的演化。在此基础上，提出了网格分布熵，用以时间序列的定量分析，可以作为特征参量表征复杂时间序列的特性。在交通、机械设备、电力、水利、天气等复杂时间序列的分析种，具有很大应用前景。 C. Yan, P. Li, C. Liu, X. Wang, C. Yi 阅读全文