Advertisement

同时进行关联维和Kolmogorov熵的计算。

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
同时进行时间序列关联维数的计算，以及Kolmogorov熵的评估。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 同步计算关联维与Kolmogorov熵
    优质
    本研究探讨了同步计算中关联维和Kolmogorov熵之间的关系，提出了新的算法来更准确地评估复杂系统中的混沌特性。 同时计算时间序列的关联维数及Kolmogorov熵。
     
  • 使用G-P算法通过K熵同时计算关联维和科恩哥罗夫熵（基于时间序列数据）
    优质
    简介：本文介绍了一种利用G-P算法结合K熵方法，从时间序列数据中同步评估关联维度与科恩哥罗夫熵的技术。 G-P 算法可以同时求解关联维和Kolmogorov熵（输入时间序列数据）。相关文件包括：CorrelationIntegral.dll、LM2.p、LorenzData.dll 和 Main_KolmogorovEntropy_GP.m。
     
  • 混沌Kolmogorov熵计算程序 K entropy.rar
    优质
    K entropy.rar是一款用于计算混沌系统中Kolmogorov熵的软件工具包。通过本程序可以有效分析和研究复杂动力系统的随机性和不可预测性，帮助科研人员深入理解非线性科学领域的核心概念。 关于混沌Kolmogorov熵的计算程序，在前人工作的基础上自己编写完成。已经使用了多个混沌时间序列的K熵计算。(On chaotic Kolmogorov entropy calculation procedure, based on predecessors work have written. Has been used a lot of chaotic time series K entropy calculations.)文件列表：correlation_interal.dll lianxi.m normalize_1.m
     
  • 计算X和Y的熵、联合熵及条件熵
    优质
    本文探讨了如何计算随机变量X和Y的熵、联合熵以及条件熵，分析它们之间的关系，并通过实例展示了这些概念的实际应用。 使用C++代码计算离散二维随机变换熵的方法如下：（1）利用random函数和归一化方法构造一个二维离散随机变量(X, Y)；（2）分别计算X与Y的熵、联合熵以及条件熵，具体包括H(X)、H(Y)、H(X,Y)，还有条件熵H(X|Y)及互信息I(X;Y)。
     
  • 运用G-P算法进行混沌分析中关联维的计算
    优质
    本研究采用G-P算法深入探讨混沌系统的特性，着重于高效准确地计算关联维度，为复杂系统的研究提供新的视角和方法。 在混沌分析中使用G-P算法来计算关联维，并生成图形输出。
     
  • 关于计算图像熵、联合熵和平均梯度的IDL小程序求解
    优质
    本简介介绍一个用于计算图像信息熵（包括单张图片的熵及两幅图之间的联合熵）和平均灰度梯度的小程序，采用IDL编程语言编写。 求图像熵及联合熵、平均梯度的IDL小程序。
     
  • 改进版GP算法计算关联维的Matlab程序（含mex函数，运行极速）
    优质
    本作品提供了一种优化后的GP算法Matlab实现，用于高效计算时间序列数据的关联维数。引入了mex编译加速技术，大幅提升了程序执行速度，适用于复杂数据分析场景。 GP算法计算关联维的Matlab程序（升级版），使用mex函数实现，运行速度非常快。
     
  • 联合熵计算：使用MATLAB求解一组变量的联合熵。
    优质
    本文介绍了一种利用MATLAB软件进行多变量联合熵计算的方法，为研究复杂系统中变量间的依赖关系提供了实用工具。 JointEntropy：返回 X 每一列的联合熵（以位为单位）。每个不同的值都被视为一个唯一的符号。 H = 联合熵（X） H = 计算的联合熵（以位为单位） X = 需要分析的数据
     
  • kstest_2s_2d(x1, x2, alpha)：进行双样本、双尾、二维的 Kolmogorov-Smirnov 检验，...
    优质
    简介：kstest_2s_2d函数用于执行二维空间中两个独立样本分布间的双尾Kolmogorov-Smirnov检验，评估其在显著性水平alpha下的相似度。 双样本 Kolmogorov-Smirnov 检验是一种统计方法，用于判断两组数据是否来自相同的分布或不同的分布。零假设是两个数据集都来源于同一个连续概率分布。该检验适用于比较二维分布的情况。所用算法基于 Peacock 的研究。 使用说明如下：[H, pValue, KSstatistic] = kstest_2s_2d(x1, x2 [, alpha>]) 其中，x1 是一个 [Nx2] 矩阵，每行代表一个二维样本。x2是一个[Mx2]矩阵，同样表示一组二维样本。 可选参数 alpha 用于设定拒绝零假设所需的显著性水平（默认值为0.05）。H 是逻辑输出：true 表示应拒绝原假设；pValue 输出检验统计量的 p 值估计；KSstatistic 返回测试统计量的实际数值。 与 kstest2 不同，此函数仅执行双尾测试，因为 Peacock 的研究未提供单尾测试的方法。