下载文档原格式
基于奇异谱分析法的GP S时间序列周期项探测汤文娟【摘要】目前,地壳板块运动学研究、精密工程测量、北斗导航与定位系统的发展等都对参考框架的实时、动态、高精度提出了更高程度的要求.为了构建高精度、非线性运动参考框架,GPS时间序列中的周期性运动分析成为一种有力的分析手段.基于奇异谱分析法的正交分解、动力重构特性对累积的GPS观测资料进行不同尺度周期项的探测,并对GPS坐标序列中周期性变化的几个主要影响因素进行分析.【期刊名称】《城市勘测》【年(卷),期】2018(000)004【总页数】5页(P84-88)【关键词】GPS时间序列;周期项;奇异谱分析【作者】汤文娟【作者单位】广州市房地产测绘院,广东广州 510030;广州市测绘产品质量检验中心,广东广州 510030【正文语种】中文【中图分类】P2281 引言高精度、实时的非线性运动特性研究和监测是大地测量学科的热门研究课题。
只有在采用更完善的非线性运动模型的基础上，才能构建更高精度参考框架。
GPS参考框架点坐标变化具有复杂的非线性特征，很多经典的时间序列分析方法并不能有效地分离出不同尺度的周期运动特性，从而无法对所得结果给出合理的地球物理解释。
奇异谱分析已经被证明为分解时间序列的有力工具，能弥补常用谱分析的不足。
奇异谱分析方法的优越性主要在于①不需要预先给定滤波周期，只需根据资料自身确定，具有较强的自适应性。
②对原始序列要求比较宽松，不需要对统计分布和平稳性做假设[1]。
奇异谱分析方法根据序列自身的时间相关特性可以对序列进行动力重构，进行不同振荡频率的信号分离，在测绘领域中广泛用于序列插值、滤波去噪、趋势识别、周期项提取以及预报模型的建立。
按照时间序列分析理论，每一个时间序列经过合理的变换后都可以分解为趋势项、周期项和随机噪声三个部分[2]。
本文在时域和频域内，应用奇异谱分析对GPS连续观测站的位置变化情况进行分解，提取不同尺度的周期项，并与经典GPS时间序列模型最小二乘拟合结果进行对比。
奇异谱分析-CAL-FENGHAI.-(YICAI)-Company One1奇异谱分析奇异谱分析是近年来兴起的一种研究非线性时间序列数据的强大的方法。
它根据所观测到的时间序列构造出轨迹矩阵，并对轨迹矩阵进行分解、重构，从而提取出代表原时间序列不同成分的信号。
如长期趋势信号、周期信号、噪声信号等，从而对时间序列的结构进行分析，并可进一步预测。
奇异谱分析(SSA)方法最早由colebrook于1978年首先在海洋学研究中提出并使用。
Fracrich用一维时间序列在延迟相空间中做EOF展开，再通过显著性检验研究确定有意义的特征成分的个数，据此估计气候吸引子的维数。
这个工作被认为是SSA在气象学中的最早应用。
Hassani将这种方法引人到社会问题研究中来，并用其预测了美国交通事故的月时间序列数据。
N.Golyandina给出了奇异谱分析的扩展形式一多通道奇异谱分析的算法，并由Hossein Hassani用来对英镑/美元汇率进行了分析预测，取得了较好的效果。
奇异谱分析的基本思想是，将所观测到的一维时间序列数据：Y(T)=(y(1),⋯,y(T))转化为其轨迹矩阵：其中，m为选取的窗口长度，n=T-m+1，计算X.T*X并对其进行奇异值分解（SVD），从而得到其m个特征值：λ1≥λ2≥⋯≥λm≥0，及其相应的特征向量将每一个特征值所代表的信号进行分析组合，重构出新的时间序列。
奇异谱分析过程可分成嵌人、SVD分解、分组、重构四个步骤，接下来我们详细地介绍具体算法。
1）嵌入选择适当的窗口长度：m(2≤m≤T)，将所观测到的一维金融时间序列数据转化为多维序列：X1,...Xn,(Xi=(yi,...,yi+m−1),n=T−m+1)，得到轨迹矩阵：X=[X1,...,Xn]=(xij)n,mi,j=1。
这里m的选取不宜超过整个数据长度的1/3，如可根据事先经验大致确定数据的周期特征，则m的选取最好为周期的整数倍。
气象中的统计方法总结气象中的统计方法总结中国近20年来气象统计预报综述中国近20年来气象统计预报综述谢炯光曾琮（广东省气象台）摘要近20年来，多元统计分析方法有了长足的进步，涌现出不少新方法、新技术。
本文着重介绍了近20年来气象统计预报在中国气象业务科研中的一些应用和发展，主要从多元统计分析意义上来选材。
关键词：多元分析、气象统计、预报。
一、前言气象统计预报在中国气象业务预报和科研工作中占有重要的位置，特别是在模式统计释用及中长期预报业务中，统计预报更是扮演着一个重要的角色，多元分析中的回归分析、典型相关分析、EOF分析等更是气象预报和分析不可少缺的工具。
近20年来，气象统计预报在中国取得了长足的发展。
本文主要综述统计方法在气象预报业务中的各个方面的应用及其所取得的一些成绩。
二、多元统计分析在气象预报业务中的应用1、回归分析广东、江西、河北、辽宁等气象局[1]用0、1权重回归、逐步回归、多元回归等方法，得出晴雨MOS预报方程。
1978年曹鸿兴等、史久恩等[2]用逐步回归建立最高、最低气温预报方程。
新疆自治区气象台张家宝等[3]以预报员经验为基础，采用完全预报（PerfectProgMethod）方法,应用0、1权重回归建立了有无寒潮的预报。
上海气象台丁长根、黄家鑫[4]用逐步回归建立U、V和S（全风速）预报方程。
1965年W.F.Massy[5]提出的主成份回归、1970年Hoerl和Kennard[6]提出的岭估计(Ridgeestimate)以及Webster等人[7]提出的特征根回归(Latentrootregression,LRR)对在回归分析中出现复共线性(Multi-collinearity)有较好的处理。
冯耀煌[8]在预报集成中,应用了岭回归技术,李耀先[9]用岭回归作水稻产量年景预测。
魏松林[10]用特征根回归建立长春6-8月平均气温的特征根回归。
Furnialhe和Wilson提出的穷尽所有回归的算法，比较彻底地解决了最优回归（即最优子集回归）的问题。
基于奇异谱分析的GRNN模型在金融时间序列中的应用刘遵雄;周天清【摘要】奇异谱分析(SSA)作为一类无参数、独立于模型的时间序列分析技术,适用于具有非线性、非平稳性、含噪声的金融时间序列数据的分析与研究.目前,基于SSA的预测通常采用线性递归、BP神经网络等模型,但其预测精度、训练速度并不理想.为此,该文提出基于SSA的广义回归神经网络(GRNN)预测模型,它以SSA所获取的主成份重构序列作为GRNN的输入进行预测.以同方股份收盘价格为测试数据,预测日收盘价.结果表明,基于SSA的GRNN模型预测效果不仅略优于GRNN 预测方法,而且明显优于常规的SSA算法.%Singular spectrum analysis (SSA) is a kind of non-parameter and independent model time series analysis technique, which can be suitable for analyzing and studying nonlinear, non-stationary and noisy financial time series. Nowadays, the prediction based on SSA often adopts linear recursion, BP neural network and others as its models. However, the prediction accuracy and training speed is not perfect. Therefore, this paper proposes a new method called general regression neural network (GRNN) based on SSA that uses reconstructed series of components from SSA as its inputs and makes the closing price of tong fang as test data to forecast daily closing price. Experimental results show that the improved method is much better than original one and also slightly better than GRNN.【期刊名称】《华东交通大学学报》【年(卷),期】2011(028)002【总页数】6页(P29-34)【关键词】奇异谱分析;广义神经网络;线性递归;金融时间序列;预测【作者】刘遵雄;周天清【作者单位】华东交通大学信息工程学院,江西,南昌,330013;华东交通大学信息工程学院,江西,南昌,330013【正文语种】中文【中图分类】TP183时间序列是一类按时间顺序记录的系列观察值，可表示为{}，…，ft，…，fn ，其中 ft作为随机变量f在t时刻的观察值。
基于成分聚类的高阶奇异谱分析及在GNSS 监测序列分析中的应用翟长治;岳顺;李小奇【摘要】高阶奇异谱分析（HSSA）相对于奇异谱分析对不同延时、嵌入维数变化有较好的鲁棒性，在信号处理、工程等领域有着广泛应用。
针对高阶奇异谱分析应用中成分序列的选取凭经验过于主观的问题，在理论推导与分析的基础上，提出一种基于成分功率谱聚类的方法，并应用于实际GNSS监测序列的处理与分析，得到了具有明显以一天为周期的周期成分、趋势变化成分以及不规则变动成分，反映了不同因素造成的大桥索塔变形，为后续索塔变形的建模预报、安全评估提供了技术支撑，也说明方法的实用性。
%Higher Singular Spectrum Analysis (HSSA) has better robutness than singular spectrum analysis in the different delay ,and embedding dimension changes .HSSA has been used in wide range of applications such as signal processing ,engineering and other fields .For solving the problem of HSSA component sequences selected too subjectively ,a new method is proposed based on component of the power spectral clustering ,which is applied to the processing and analysis of the actual sequence of GNSS monitoring .The result has been obvious to one day for periodic components ,trends and changes in composition of irregular fluctuation component ,reflecting the bridge tower deformation caused by different factors .These works provide technical support for the following tower deformation modeling forecasts ,safety assessment and also approve the applicability of this method .【期刊名称】《测绘工程》【年(卷),期】2016(025)004【总页数】5页(P46-50)【关键词】高阶奇异谱;成分聚类;功率谱;GNSS监测序列【作者】翟长治;岳顺;李小奇【作者单位】武汉大学测绘学院，湖北武汉 430079;河海大学地球科学与工程学院，江苏南京 210098;上海勘测设计研究院有限公司，上海 200434【正文语种】中文【中图分类】O433.4随着计算机技术、对地观测技术，以及各种传感器技术的发展，自动化的、实时的监测技术己经成为了可能。
非线性时间序列的高阶奇异谱分析袁 坚 肖先赐(电子科技大学电子工程系,成都 610054)(1997年8月28日收到) 基于反映线性相关结构的协方差矩阵的奇异谱分析,本质上是一种线性的方法.奇异谱分析用于吸引子重构的可靠性问题引发了一些争议.本文基于具有盲高斯噪声及体现非线性相关等性质的高阶累积量,提出了一种高阶的奇异谱分析方法.通过对H énon 映射、Logistic 映射和Lorenz 模型的分析说明了该方法的有效性,并在不同的延时、嵌入维数、抽样时间及有噪声的情况下表现出较好的鲁棒性.PACC :05451 引言对于不同系统产生的不规则动态行为解释为确定性的混沌过程,这一认识在几乎所有学科中得到广泛的应用.而用动力系统方法分析非线性时间序列,状态空间的重构是必不可少的一个步骤.从标量时间序列重构多维状态矢量的延迟坐标法,是在无法观测系统各个变量情况下的一种折衷方法.延迟坐标间不可避免地存在着线性依赖及人为的对称性.Takens 的嵌入定理[1]隐含着无噪声影响,且假设数据长度为无限长.这样对任意的延时都不会导致重构的退化.而实际得到的时间序列是有限长度的,并且不可避免地受到噪声的影响.延时选择过大或过小,都会导致噪声增强[2].另外,当对分析的系统无任何先验认识,无从得知其拓扑维数时,对嵌入维数的选择也成问题.基于多通道时间序列主元分析的奇异谱分析(singular 2spectrum analysis ,SSA ),最先由Broomhead 和K ing [1]引入非线性动力学领域.该方法一方面将延迟矢量变换到一正交空间里,以消除坐标间的线性依赖及人为的对称性;另一方面在奇异谱上区分出信号成分及噪声平台,在确定出最小嵌入维数的基础上,一个维数等于最小嵌入维数的子空间内的轨迹代表了信噪比增强的重构.但是,SSA 作为一种线性方法,其所用的协方差矩阵反映出的是线性相关的结构,而无法反映内在的非线性关系.另外,一些实际的分析结果更加深了对这一方法的质疑[3—5].文献[2,6,7]对奇异谱方法作了详尽的分析和确认工作.并且针对Palu 等[5]用SSA 研究H énon 和Lorenz 模型所提出的质疑,文献[8,9]中分别指出了这是由于重构窗口(包括延时和嵌入维数)选择不当而导致的错误理解.我们在工作中也发现,在选择合适的重构窗口前提下,Lorenz 模型的奇异谱分析是成功的[10].然而对H énon 模型无论选择怎样的重构窗口,分析出的奇异谱都无法得到满意的结果[3,5].奇异谱分析所用的属于二阶统计的协方差矩阵,体现的是线性相关.高阶统计作为一第47卷第6期1998年6月100023290/98/47(6)/0897209物 理 学 报ACTA PHYSICA SIN ICA Vol.47,No.6,J une ,1998ν1998Chin.Phys.S oc.898物 理 学 报47卷种非线性的信号处理工具,可以反映高阶相关的非线性关系[11,12].从高阶统计的角度认识混沌,不仅可以开发出更多的信息,而且也有助于从一个新的角度认识该现象.高阶统计具有盲高斯噪声及体现非线性结构等性质,但与研究比较完善的二阶统计相比,尚缺少物理性质的解释.而将其引入动力系统理论,更存在着用动力学语言难以描述的问题.高阶统计用于混沌动力学研究的文献很少,见到的一篇是用高阶累积量估计重构延时[13],另一篇是利用三阶谱鉴别观测信号是否达到混沌状态[14].而作为一种数字信号处理的新手段,高阶统计在信号处理的各个领域得到了广泛的应用[11].其中,阵列测向中用四阶累积量进行奇异值分解(SVD),得到四阶子空间进行方向估计,比二阶的方法有着一些明显特点[15].由此也引发我们用高阶累积量分析混沌序列的高阶奇异谱分析的思路.本文提出了一种基于高阶累积的高阶奇异谱分析(H2SSA)方法.对Hénon,Lorenz和Logistic等模型的分析说明,H2SSA是比SSA更加有效的方法,同时在不同延时、嵌入维数、抽样时间及有噪声的情况下表现出一定的鲁棒性.2 吸引子的重构方法若维数相差很大的动力系统的渐近动态行为限制在相同维数的吸引子流形上,则它们有可能属于同一等价类型.这构成了将定性的动力学特点引入实验领域的技术基础.对一个动力系统d z=F(z),我们将Takens的嵌入定理[1]叙述如下.d t定理(T akens) 设M是n维的紧流形.F表示一个光滑的(C2)矢量场,v为M 上的一个光滑函数.则ΦF,v:M→R2n+1,表示ΦF,v(z)=(v(z),v(φ1(z)),…, v(φ2n(z)))T是一个嵌入.这φi是F的流.v(z)对应着系统状态为z(∈M)时的观测值.包含着像ΦF,v(M)的空间称作嵌入空间,嵌入空间的维数称作嵌入维数,应用Takens定理重构状态空间的方法称作延迟坐标法.延迟坐标是由时间序列构造出的多维状态空间矢量.对一个N点的时间序列{x(1),x(2),…,x(N)},离散时刻i上的重构状态矢量为X i=[x(i) x(i+J) … x(i+(m-1)J)]T,(1)其中J为重构延时,m为嵌入维数.相应的重构轨迹为X=[X1 X2 … X K],(2)其中K=N-(m-1)J.Takens定理对重构延时的选择没有任何指导性的建议.这一定理隐含着无噪声影响,且假设数据长度为无限长,这样对任意的J都不会导致重构的退化.而实际得到的时间序列既不可避免地受到噪声的影响,又是有限长度的.延时J过小,由测量误差(包括量化误差)引起的冗余误差相应地增大;适当地增加延时,测量误差的影响减小,而依赖于系统初值敏感性的动态误差的影响相应地增大[2].另外,当对分析的系统没有任何先验的认识,无从得知其拓扑维数n时,嵌入维数m的选择也成问题.数值分析的结果表明[7,10],J和m的选择一定程度上可归结为重构延时窗口(m-1)J的选择问题.但这一问题目前在理论上尚未得到根本的解决.延迟坐标并不是正交的,而奇异谱分析将嵌入空间变换到一个等价的正交坐标系中.一方面可以消除延迟坐标间的线性依赖及人为的对称性[1];另一方面在奇异谱上区分出信号成分及噪声平台,一个维数等于最小嵌入维数的子空间内的轨迹代表了信噪比增强的重构.若A x 表示X 的协方差矩阵,则A x =X ・X T ,(3)其中A x ∈R m ×m ,其元素为相关函数,即(A x )ij =R x [(i -j )J ],(4)R x (k J )=lim T →∞12T ∫T-T x (t )x (t +k J )d t ,(5)其中k =0,1,…,m -1.将A x 变换为一个对角阵Σ2,即Σ2=V T ・A x ・V ,(6)其中V 为m ×m 的正交阵,其每列为相应的特征矢量,构成了一个自然的正交坐标系.而Σ2={δi ,j s i ;i ,j =1,2,…,m }.m 个由大至小的特征值{s i ,i =1,2,…,m }就构成了奇异谱.奇异谱中几个较大的特征值代表了信号的成分,而其余的特征值构成了一个所谓的噪声平台.将几个较大特征值对应的子空间分割出来,就能达到改善重构的目的.但是改变m 或J ,会引起X 的改变,相应地会改变奇异谱.这一点导致了文献[5]中对Lorenz 模型分析的误解.同时也说明了奇异谱分析对m 和J 的变化不够稳健.另外,作为一种线性的方法对H énon 等模型分析失败[3,5]等原因,都促使我们寻求更好的分析方法.由(4),(5)式可以看出,奇异谱分析是在二阶平稳假设的前提下进行的.分析各种动力学不变量,如维数、K olmogorov 熵以及Lyapunov 特征指数等,也需要在微分动力系统的各态历经理论基础上作出假设[16].其实状态空间重构本身就有微分等价的假设条件.我们在讨论高阶奇异谱分析中,也需要引入高阶平稳的假设.3 高阶统计及高阶奇异谱分析高阶统计作为一种非线性信号处理的手段已经得到了广泛的应用[11].高阶统计包括高阶矩、高阶矩谱、高阶累积量及高阶谱.高阶指的是大于二阶的情况.高阶统计在信号处理中的应用背景主要出于各种技术上的需要.如压制信号中附加的高斯色噪声、识别和重构非最小相位信号、提取偏离高斯的信息、检测和特征化信号的非线性以及对非线性系统的识别问题等[12].首先,高阶累积量及其相应的高阶谱对高斯白噪声和高斯色噪声都为零,即具有盲高斯的性质.这样对非高斯信号中存在加性高斯噪声的情况,高阶累积量和高阶谱仅反映出信号的特征.这对信号的检测和特征提取是非常有用的.其次,高阶累积量和高阶矩的谱同时保存着信号的幅度和相位的信息.而二阶统计中却往往无法做到,只有当信号是最小相位时才能够得到相位信息.因而从信息获取的角度来看,高阶统计中保存了更多的信息.另外,从信号角度来看,实际观测的信号基本上都是非高斯的.结合以上的特点,这对9986期袁 坚等:非线性时间序列的高阶奇异谱分析009物 理 学 报47卷信号的分析是很重要的.还有,在对系统非线性的分析上,高阶统计也表现出自身的天然特性,如三阶的情况体现出二阶相关,四阶体现三阶相关,而二阶反映的是一阶(线性)相关[14].由此,我们已不难看出高阶统计用于混沌动力学所具有的巨大潜力.对{x(k)},k=0,±1,±2,±3,…,为一个实的平稳时间序列,若阶数至n的矩都存在,则m x n(τ1,τ2,…,τn-1)△=E{x(k)x(k+τ1)…x(k+τn-1)}(7)表示该平稳信号的n阶矩函数.显然二阶矩函数就是信号的自相关函数.而非高斯平稳信号的n阶累积量函数(在此仅限n=3或4)为C x n(τ1,τ2,…,τn-1)=m x n(τ1,τ2,…,τn-1)-m G n(τ1,τ2,…,τn-1),(8)其中m G n(τ1,τ2,…,τn-1)是与x(k)具有相同均值和自相关序列的一个等价高斯信号的n阶矩函数.可以看出,若x(k)为一高斯信号,则m x n(τ1,τ2,…,τn-1)=m G n(τ1,τ2,…,τ),而使C x n(τ1,τ2,…,τn-1)=0.虽然在(8)式中规定n=3或4,但对所有的n而言, n-1若x(k)为高斯信号,都有C x n(τ1,τ2,…,τn-1)=0的性质.累积量还具有一些别的性质,有兴趣可参阅文献[12]中的表2.一阶累积量表示的是信号的均值m x1,二阶累积量函数为协方差函数,三阶累积量函数为[12]C x3(τ1,τ2)=m x3(τ1,τ2)-m x1[m x2(τ1)+m x2(τ2)+m x2(τ1-τ2)]+2(m x1)3,(9)而四阶累积量函数为C x4(τ1,τ2,τ3)=m x4(τ1,τ2,τ3)-m x2(τ1)・m x2(τ3-τ2)-m x2(τ2)・m x2(τ3-τ1)-m x2(τ3)・m x2(τ2-τ1)-m x1[m x3(τ2-τ1,τ3-τ1)+m x3(τ2,τ3)+m x3(τ1,τ3)+m x3(τ1,τ2)]+(m x1)2・[m x2(τ1)+m x2(τ2)+m x2(τ3)+m x2(τ3-τ1)+m x2(τ3-τ2)+m x2(τ2-τ1)]-6(m x1)4.(10)另外,在均值m x1=0的情况下,则C x3(0,0)称作偏态,反映偏离对称的性质;C x4(0,0,0)称作峰态,反映偏离高斯的性质;而C x2(0)体现的是方差.累积量具有盲高斯的性质,而又以四阶累积量用得最多.这是因为三阶累积量在信号是对称分布的情况下为零,而使三阶累积量的应用相对要少一些.三阶累积量函数有两个变量,可以反映在一个平面上;四阶累积量函数有三个变量,只能体现在一个三维的空间里.高于四阶的累积量就更加复杂了.高阶谱为高阶累积量的多维傅里叶变换.一个在频域,一个在时域,有着一定的对等关系.我们在此选择四阶累积量作为将奇异谱分析扩展到高阶的工具.由(4)和(5)式可以看出,构成矩阵A x的元素是二阶矩函数,反映的是线性依赖的关系.我们可以将A x的元素推广为由高阶矩函数构成,以反映高阶相关的非线性关系.而累积量函数比同样阶数的矩函数所具备的优势,使我们很自然地选择用累积量函数来构造矩阵A x的元素.若是我们选择四阶累积量函数,考虑到它是一个具有三个变量的函数,要作SVD 就需要将其变为一个二元的函数.最常规的作法是作一个切片,这样的切片有许多形式,如在(10)式中设τ2=τ3,则C x 4(τ1,τ2,τ3)=m x 4(τ1,τ2,τ2)-m x 2(τ1)・m x 2(0)-m x 2(τ2)・m x 2(τ2-τ1)-m x 2(τ2)・m x 2(τ2-τ1)-m x 1[m x 3(τ2-τ1,τ2-τ1)+m x 3(τ2,τ2)+2m x 3(τ1,τ2)]+(m x 1)2・[m x 2(τ1)+2m x 2(τ2)+2m x 2(τ2-τ1)+m x 2(0)]-6(m x 1)4.(11)以(11)式就可以构造出A x ,其元素为(A x )i ,j =C x 4(i ,j ,j ),(12)其中i ,j =1,2,…,m.m 为嵌入维数.对A x 进行SVD ,得到的奇异谱我们称作高阶奇异谱,相应分析方法就是H 2SSA .我们将在下节用多种混沌模型说明该方法在分析信号成分和噪声平台上的有效性,并通过加入噪声和改变延时、嵌入维数和抽样时间来说明其鲁棒性.4 模拟实验我们在此选取三种混沌模型,其拓扑维数分别为1—3,以便有一个比较.另外,分析中数据长度N 均为1000,(14),(15)式中均取x 变量.Logistic 映射定义为x n +1=μx n (1-x n ),(13)其中μ=410.H énon 映射定义为x n +1=y n +1-ax 2n ,y n +1=bx n ,(14)其中a =114,b =013.Lorenz 模型定义为x ・=σ(y -x ),y ・=x (R -z )-y ,z ・=xy -bz ,(15)其中σ=1610,R =45192,b =410.采用四阶龙格2库塔法解方程.抽样时间Δt =0101s .图1中(a ),(c ),(e )和(g )分别为嵌入维数m =20,延时J 取2,4,8和12时,H énon 映射的SSA 所得到的奇异谱(用最大的特征值进行过归一化处理,以下同).图1中(b ),(d ),(f )和(h )分别为m =20,J 取2,4,8和12时H 2SSA 得到的高阶奇异谱.比较这两种分析方法的结果可以看出,在保持嵌入维数不变同时改变延时的情况下,SSA 得到的奇异谱不能反映出H énon 映射的二维特征,而高阶奇异谱在不同的延时下均能反映出来.图2中(a )和(c )分别为m =10和30,J =2时H énon 映射的奇异谱.图2中(b )和(d )1096期袁 坚等:非线性时间序列的高阶奇异谱分析 图1 Hénon映射在m=20,J=2,4,8,12时的奇异谱(a),(c),(e),(g) 和高阶奇异谱(b),(d),(f),(h)分别为m=10和30,J=2时的高阶奇异谱.可以看出,在不同的嵌入维数下高阶奇异谱更好地反映出Hénon映射的维数特征.在奇异谱分析中相对比较成功的Logistic映射和Lorenz模型的奇异谱如图3中(a)和(c)所示.这里对Logistic映射取m=20,J=1,而Lorenz模型取m=50,J=1.在同样的嵌入维数和延时情况下,Logistic和Lorenz模型的高阶奇异谱如图3中(b)和(d)所示.可以看出,这两种模型在得到满意的奇异谱参数情况下,它们的高阶奇异谱同样得到了有209物 理 学 报47卷效结果,能够分析反映出一维和三维的特征. 图2 H énon 映射在m =10和30,J =2时的奇异谱(a ),(c )和高阶奇异谱(b ),(d) 图3 Logistic 映射在m =20,J =1时的奇异谱(a )和高阶奇异谱(b ); Lorenz 模型在m =50,J =1时的奇异谱(c )和高阶奇异谱(d )为了说明有噪声情况下的分析结果,图4(a ),(b )和(c )为叠加高斯白噪声使信噪比为0dB 时,H énon (m =20,J =2),Lorenz (m =50,J =1)和Logistic (m =20,J =1)的高阶3096期袁 坚等:非线性时间序列的高阶奇异谱分析奇异谱.可以看出H2SSA所具有的压制高斯噪声的优点,而高斯噪声却又是最普通的一类噪声,这对实际分析是非常有用的.为了说明改变抽样时间的情况,对Lorenz模型取抽样时间Δt=010025s(在文献[5]中曾用该抽样时间说明奇异谱分析的失败),并仍取m=50,J=1,其高阶奇异谱如图4 (d)所示.可以看出,在改变抽样时间的情况下,Lorenz的高阶奇异谱没有什么变化.由以上对Hénon,Logistic和Lorenz模型的分析可以看出,高阶奇异谱分析是一种有效的方法.并且在改变延时、嵌入维数和抽样时间及有噪声影响的情况下,表现出了一定的鲁棒性.由高阶奇异谱,我们可以有效地确定出最小嵌入维数,从而用维数等于最小嵌入维数的子空间里的轨迹体现有效的重构.图4 叠加高斯白噪声使信噪比为0dB时的高阶奇异谱 (a)为Hénon(m=20,J=2),(b)为Lorenz(m=50,J=1),(c)为Logistic(m=20,J=1),(d)为Lorenz模型在抽样时间为010025s时(m=50,J=1)5 结论与讨论本文提出了一种高阶奇异谱分析方法,这种方法比线性的奇异谱分析表现出更好的有效性和鲁棒性.这种方法是用了阵列测向中四阶累积量的四阶子空间方法的思路,与之不同之处在于阵列测向中用的是多元序列,而这里所用的是标量时间序列.由此不难看出,正如SSA可用到多元时间序列分析而形成M2SSA方法[9],H2SSA也可推广到对多元时间序列的分析.我们在(11)式中体现的仅是四阶累积量的一个切片,尚有大量的切片未曾用上.而利用这些冗余的信息,可能为有噪声和短数据的时间序列的分析提供一个有效的方法.还有本文中并未用上高阶谱,从频域的角度进行分析可能也会找到新的认识.高阶统计尚缺少二阶统计中合理的物理解释.然而用高阶统计这一非线性手段分析非线性409物 理 学 报47卷动力系统,相信会使我们对非线性现象的认识更加深入.[1] D.S.Broomhead ,G.P.K ing ,Physica ,D20(1986),217.[2] M.Casdagli ,S.Eubank ,J.D.Farmer et al.,Physica ,D51(1991),52.[3] A.I.Mees ,P.E.Rapp ,L.S.Jennings ,Phys.Rev.,A36(1987),340.[4] A.M.Fraser ,Physica ,D34(1989),391.[5] M.Palu ,I.Dvo ˇr ák ,Physica ,D55(1992),221.[6] R.Vautard ,P.Y iou ,M.Ghil ,Physica ,D58(1992),95.[7] J.F.G ibson ,J.D.Farmer ,M.Casdagli et al.,Physica ,D57(1992),1.[8] K.Fraedrich ,R.Wang ,Physica ,D65(1993),373.[9] P.L.Read ,Physica ,D69(1993),353.[10] Yuan Jian ,Xiao Xian 2ci ,Acta Physica Si nica ,46(1997),1290(in Chinese ).[11] J.M.Mendel ,Proceedi ngs of the I EEE ,79(3)(1991),277.[12] C.L.Nikias ,J.M.Mendel ,I EEE Signal Processi ng M agazi ng ,10(7)(1993),10.[13] A.M.Albano ,A.Passamante ,M.E.Farrell ,Physica ,D54(1991),85.[14] T.S.Rao.Analysis of Nonlinear Time Series (and Chaos )by Bispectral Methods ,in :Nonlinear Modeling and Forecast 2ing ,SFI Studies in the Sciences of Complexity ,Proc.Vol.XII ,eds.M.Casdagli ,S.Eubank (Addison 2Wesley ,1992),pp.199—225.[15] B.Porat ,B.Fridlander ,I EEE T rans.on Signal Processi ng ,39(9)(1991),2016.[16] J.P.Eckman ,D.Ruelle ,Rev.Mod.Phys.,57(3)(1985),617.HIGHER 2OR DER SINGU LAR 2SPECTRUM ANALYSIS OFNON L INEAR TIME SERIESY UAN J IAN X IAO X IAN 2CI(Depart ment of Elect ronic Engineering ,U niversity of Elect ronic Scienceand Technology of China ,Chengdu 610054)(Received 28August 1997)A BSTRACTSingular 2spectrum analysis (SSA )is essentially a linear method based on the covariance matrix which reflects the structrue of the linear dependence.Numerical experience ,however ,led several au 2thors to express some doubts about reliability of SSA in the attractor reconstruction.In this paper ,based on higher 2order cumulants which are blind to any kind of G aussian process and can be used for analyzing the nonlinear correlation ,a new notion of higher 2order singular 2spectrum analysis (H 2SSA )is proposed.We illustrate our technique with numerical data from H énon map ,Logistic map and Lorenz model ,and show that H 2SSA is robust to reconstruction delay ,embedding dimension and sampling time ,and to the effect of the additive noise.PACC :05455096期袁 坚等:非线性时间序列的高阶奇异谱分析。
