基于时间序列模式表征的加权有向复杂网络建网方法

摘要

一种基于时间序列模式表征的加权有向复杂网络建网方法：采用零均值规范化方法将原始时间序列规范化；将新的时间序列等概率划分为n个区间，用设定的字符串中的字符来表示各个区间，将新的时间序列表示为字符串序列；用长度为l的滑窗，从字符串序列的第一个字符开始自左向右移动，滑窗每次移动1步，就将字符串序列划分为长度均为l的(n‑l+1)个片段，将每一个片段视为一个模态；将不同模态作为复杂网络的节点，由节点之间的转换频次和转换方向确定复杂网络节点之间的连边权重和方向，将字符串序列映射为一个加权有向复杂网络；计算加权有向复杂网络的网络拓扑统计特性。本发明显著提升了时间序列信号的分类或识别精度。

主权项

一种基于时间序列模式表征的加权有向复杂网络建网方法，其特征在于，包括如下步骤：1)采用零均值规范化方法将原始时间序列规范化，通过如下计算公式：$y_i=\frac{x_i-\bar{x}}{a}---\left(1\right)$$\bar{x}=\frac{1}{t}\underset{i=1}{\overset{t}{\Sigma }}{x}_i---\left(2\right)$$a=\sqrt{\frac{1}{t-1}\underset{i=1}{\overset{t}{\Sigma }}{(x_i-\bar{x})}^2}---\left(3\right)$其中，是时间序列的均值，a为原始时间序列的标准偏差， 对于原始时间序列{x_i}，i＝1,…,t，进行标准化后得到新的时间序列{y_i}，i＝1,…,t；2)将新的时间序列{y_i}，i＝1,…,t等概率划分为n个区间，然后用设定的字符串中的字符来表示各个区间，每个区间对应一个字符，从而将新的时间序列{y_i}，i＝1,…,t表示为字符串序列{s_k},k＝1,…,t，其中s_k是设定的字符串中的字符，所述设定的字符串是由英文字母中的前n个字母组成；3)用一个长度为l的滑窗，l的默认值为4，从字符串序列{s_k},k＝1,…,n的第一个字符开始自左向右移动，滑窗每次移动1步，就将字符串序列{s_k}划分为长度均为l的(n‑l+1)个片段，将每一个片段视为一个模态；4)将不同模态作为复杂网络的节点，由节点之间的转换频次和转换方向确定复杂网络节点之间的连边权重和方向，从而将字符串序列{s_k}映射为一个加权有向复杂网络；5)计算加权有向复杂网络的网络拓扑统计特性，包括网络规模SN、加权有向平均路径长度WPL和介数中心性BC；SN＝N                  (4)其中，其中，其中N为网络的节点总数；Pl(p,q)为节点p到节点q的加权有向最短路径长度，w_pq为节点p到节点q的加权路径；Bc(p)为节点p的介数中心性，L_mq为从节点m到节点q的所有最短路径的总数目，L_mq(p)从节点m到节点q且经过节点p的所有最短路径数目。