Помощь в учёбе, очень быстро...
Работаем вместе до победы

Анализ нестационарности и выбор структуры уравнений при моделировании по временным рядам

Диссертация: Анализ нестационарности и выбор структуры уравнений при моделировании по временным рядам
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

Научная новизна продемонстрирована эффективность использования переходных процессов при построении моделей по временному ряду, предложен метод оптимизации набора базисных функций (удаления лишних) для аппроксимации функций в модели, основанный на использовании свойств переходного процессамодифицирована процедура тестирования набора реконструированных динамических переменных на возможность… Читать ещё >

Содержание

  • 1. ИСПОЛЬЗОВАНИЕ ПЕРЕХОДНЫХ ПРОЦЕССОВ ДЛЯ ЦЕЛЕЙ ГЛОБАЛЬНОГО МОДЕЛИРОВАНИЯ
    • 1. 1. Введение
    • 1. 2. Методики оценки качества глобальных моделей при их реконструкции по различным участкам временного ряда
    • 1. 3. Примеры использования переходных процессов для улучшения качества глобальных моделей
      • 1. 3. 1. Расширение области хорошей аппроксимации объекта моделью за счет использования переходного процесса (реконструкция уравнений неавтономного осциллятора Тода)
      • 1. 3. 2. Потеря информации о структуре объекта при установлении движения (реконструкция дискретной многомодовой системы)
      • 1. 3. 3. Улучшение качества аппроксимации при наличии «лишних» базисных функций (реконструкциая автономного осциллятора В ан-дер-Поля — Тода)
  • 1. ^.Использование переходного процесса для оптимизации набора базисных функций
  • 2. МОДИФИКАЦИЯ ПРОЦЕДУРЫ ВЫБОРА ДИНАМИЧЕСКИХ ПЕРЕМЕННЫХ
    • 2. 1. Введение
    • 2. 2. Процедура тестирования набора переменных на возможность построения глобальной динамической модели
    • 2. 3. Модификация процедуры, возможность использования для тестирования на нелинейность
    • 2. 4. Примеры
  • приложения процедуры тестирования
  • 3. ОПТИМИЗАЦИЯ НАБОРА БАЗИСНЫХ ФУНКЦИЙ
    • 3. 1. Введение
    • 3. 2. Оценка чувствительности значений коэффициентов перед базисными функциями к изменениям распределения тренировочных точек в фазовом пространстве
    • 3. 3. Методика выбора базисных функций
    • 3. 4. Соотношение предложенного и ранее известного метода оптимизации
    • 3. 5. Тестовые примеры
  • 4. ИСПОЛЬЗОВАНИЕ РЕКОНСТРУКЦИИ МОДЕЛЬНЫХ УРАВНЕНИЙ ДЛЯ АНАЛИЗА ДИНАМИЧЕСКОЙ СТАЦИОНАРНОСТИ ВРЕМЕННОГО РЯДА
    • 4. 1. Введение
    • 4. 2. Методы анализа динамической нестационарности
    • 4. 3. Анализ нестационарности при скачкообразном изменении параметров объекта: тестовые примеры
    • 4. 4. Использование простых моделей для описания сложных систем
      • 4. 4. 1. Общие положения
      • 4. 4. 2. Статистические оценки, к которым приводит построение динамических моделей
      • 4. 4. 3. Быстрый метод обнаружения изменений многомерных распределений по скалярному временному ряду с помощью «плохих» моделей

Анализ нестационарности и выбор структуры уравнений при моделировании по временным рядам (реферат, курсовая, диплом, контрольная)

Возможности современной вычислительной техники позволили развить новые подходы к созданию эмпирических динамических моделей колебательных явлений. Если раньше речь шла в основном об аппроксимации наблюдаемых в эксперименте простых зависимостей, то сейчас — о получении модельных дифференциальных или разностных уравнений, описывающих сложные или даже хаотические движения. Повсеместное использование в современной измерительной технике аналого-цифровых преобразователей и становление концепции динамического хаоса привели к тому, что, начиная с 80-х годов особое внимание стало уделяться реконструкции1 уравнений по хаотическим временным рядам [1−7] -дискретной последовательностям чисел, полученным стробированием наблюдаемых величин. Временные ряды могут быть векторными или скалярнымипоследнее еще более осложняет задачу. С помощью реконструкции решаются задачи прогнозирования дальнейшего поведения [1] и бифуркаций [8], классификации систем [9,10], скрытой передачи информации [11]. В диссертации проблема построения моделей по временному ряду рассматривается на примерах эталонных для радиофизики динамических систем, а также для некоторых сложных биологических сигналов, однако она актуальна и во многих других областях исследований. В частности для задач астрофизики [12], лазерной физики [13], метеорологии [14,15], сейсмографии [16] финансов [17,18] и т. д.

Пик интереса в задаче глобальной реконструкции уравнений по временному ряду приходится на девяностые годы, после чего появились и.

1 Здесь используется общепринятый термин «реконструкция» (восстановление), хотя он полностью адекватен лишь ситуации, когда временной ряд получен путем численного решения уравнений. В приложении к реальным объектам и явлениям, для которых нет единственной или «истинной» математической модели, уместнее было бы говорить о «конструировании», а не о «реконструкции» .

2 Термин «глобальная» означает, что модельные уравнения, записанные в замкнутой форме, описывают поведение объекта во всем фазовом пространстве (глобально). обобщающие материал работы [19−22]. Однако практическое применение разработанных методик выявило ряд принципиальных трудностей, возрастающих вместе с размерностью и степенью нелинейности моделируемых процессов. Это послужило причиной некоторого разочарования в возможностях культивируемых тогда универсальных подходов к глобальной реконструкции и продемонстрировало необходимость разработки направленных методик и приемов (технологий), учитывающих специфику достаточно узких классов моделируемых объектов. На разработку элементов таких технологий и направлена данная диссертационная работа. Суть проблем и необходимость постановки решаемых в работе задач поясним при описании процедуры реконструкции модели по временному ряду. При всем разнообразии подходов и практических ситуаций в ней можно выделить следующие основные этапы:

1-й этап: выбор типа модельных уравнений, например, разностные xi+1=F (xf) (1) или дифференциальные г=*¦(«.)¦ (?) at.

2-й этап: формирование ряда векторов состояния {х,-}, где х. = (xn,., xiD), по ряду наблюдаемой величины {v,}^, которая скалярна, продеформирована измерительными приборами и искажена шумами. То есть выбрать количество D и способ получения динамических переменных. Наиболее часто употребляются методы временных задержек и последовательного дифференцирования, последовательного интегрирования [23], взвешенного суммирования [24], но в принципе, наблюдаемые и переменные могут быть связаны любым другим мыслимым способом, предугадать который без информации о принципах функционирования объекта весьма сложно. Неудачный выбор переменных затрудняет аппроксимацию неизвестных зависимостей F в модельных уравнениях выбранного вида (1−2) или вовсе делает их неоднозначными, а следовательно, 5 непригодными для динамического моделирования. Проблема оптимизации выбора переменных уже привлекала к себе внимание [25−27], но известные численные процедуры нуждаются в модернизации.

3-й этап: выбор вида аппроксимирующих функций F. В отсутствии априорной информации или иных соображений о виде функции F для ее представления используются различные универсальные формы. Обычно ее выбирают в виде универсальной линейной комбинации некоторых базисных функций: причем вид fk может оказать решающее влияние на результат моделирования. Часто F берут в виде полинома, однако их использование (как и других универсальных аппроксиматоров) ведет к очень громоздким выражениям с большим числом лишних слагаемых, что является одной из причин неудач реконструкции в случае моделирования сложных систем. Удалив лишние базисные функции можно, сделав модель более компактной, существенно расширить область, в которой она работоспособна. Для этой цели известно несколько процедур, например, критерий Стьюдента или специальные процедуры [28,29]. Но их применимость ограничена, а расширение возможностей требует новых решений.

На этапах 1−3 фиксируется структура модели.

4-й этап: выбор тренировочного участка во временном ряде переменных, по которому затем оцениваются параметры модели (обычно методом наименьших квадратов). Задача выбора тренировочного ряда становится нетривиальной и требует решения в первую очередь при наличии в ряде нестационарности, а это типично, особенно для живых систем. Так неизвестно и требует изучения, следует ли включать в тренировочный ряд.

3 Применимость этих методик обоснована, если неточности аппроксимации связаны только с присутствием шума. На практике типичны ситуации, когда источником ошибок кроме шума служит невозможность точного представления функций, стоящих в объекте, через выбранные базисные. м.

3) переходные процессы, как их учет повлияет на качество восстанавливаемых моделей. С другой стороны реконструкция параметров модели по нестационарному ряду может быть полезной для фиксации факта произошедших в объекте изменений (задача идеологически близкая прогнозу бифуркаций [8]). Информация о моментах изменения параметров объекта, выделение квазистационарных участков по хаотическим временным реализациям и их типологизация (классификация) очень важны, например, для решения задач нейрофизиологии.

5-й этап: оценка качества модели, после чего она используется или дорабатывается.

В работе рассмотрена возможность приложения разрабатываемых методик к анализу динамической нестационарности и выделению этапов протекания эпилептического приступа по записи ЭЭГ. Нестационарность ЭЭГ много анализировалась со статистических позиций — с точки зрения изменений статистических распределений и спектральных свойств (см., например, обзор [30]). Этапы протекания эпилептического приступа исследовались, в частности, с помощью спектрального анализа [31,32]. С динамических позиций этот вопрос никогда ранее не рассматривался, хотя, как оказалось, это позволяет получить дополнительную информацию по сравнению с результатами традиционных методик.

Предложенные и исследованные в работе приемы реконструкции колебательных моделей по наблюдаемым временным рядам отрабатывались на традиционных для радиофизики нелинейных динамических системах, в том числе при внесении в сигнал искажений и шума, апробировались на радиотехнических макетах и прилагались для задач физиологии и медицинской диагностики.

Цель работы.

Разработка специальных подходов к выбору структуры уравнений и тренировочных участков, расширяющих возможности реконструкции эмпирических динамических колебательных моделей. Приложение разработанного аппарата к исследованию реальных сигналов, а также к задачам медицинской диагностики.

Основные задачи, решаемые в работе разработка метода оптимального для целей моделирования выбора тренировочного участка нестационарного временного рядамодернизация метода тестирования выбранных динамических переменных на соответствие предполагаемой структуре уравнений;

— разработка методов оптимизации набора базисных функций в отсутствии априорной информации о структуре моделиисследование возможностей приложения методов реконструкции модельных отображений для анализа структуры электроэнцефалограммы.

Научная новизна продемонстрирована эффективность использования переходных процессов при построении моделей по временному ряду, предложен метод оптимизации набора базисных функций (удаления лишних) для аппроксимации функций в модели, основанный на использовании свойств переходного процессамодифицирована процедура тестирования набора реконструированных динамических переменных на возможность динамического описания (существование однозначной непрерывной зависимости между последовательными векторами переменных) — предложен новый метод выбора базисных функций для аппроксимации неизвестных зависимостей при построении модели по временному рядупоказаны возможности приложения метода реконструкции модели по временному ряду к анализу динамической нестационарности. Метод приложен к анализу временной структуры эпилептического припадка на основе анализа стационарности внутричерепной ЭЭГ.

Достоверность полученных результатов.

Достоверность полученных результатов основывается на воспроизводимости всех численных экспериментов, использовании отработанных численных методов, непротиворечивости с известными в литературе результатами, а также высокой точности совпадения данных получаемых на тестовых примерах, когда восстановление идет по временным рядам эталонных динамических систем.

Основные результаты и положения, выносимые на защиту.

1. Включение в тренировочный ряд участков переходных процессов способствует получению глобальных моделей. При реконструкции модели конкретного установившегося движения, нацеленного на прогноз, нестационарная часть временного ряда в общем случае снижает прогностические возможности модели. Учет переходных процессов повышает эффективность предложенной процедуры опознания и удаления лишних коэффициентов многокомпонентных моделей по уровню их вариабельности при сдвиге окна реконструкции.

2. Модифицирован метод тестирования способа формирования динамических переменных модели по ряду наблюдаемой на соответствие заданной структуре глобальной динамической модели. Выбранный критерий качества переменных4 позволяет определять еще и наличие нелинейности в аппроксимируемых зависимостях и судить о недостаточности объема данных во временном ряде.

3. Предложен новый метод оптимизации реконструируемых многокомпонентных моделей, основанный на оценке зависимости значений коэффициента перед базисной функцией от изменения плотности распределения точек тренировочного ряда в фазовом пространстве. Метод.

4 Характерный вид зависимости максимального разброса значений аппроксимируемой величины от размера окрестности точек в восстановленном фазовом пространстве. дает лучшие результаты по сравнению с ранее известными методиками, если набор базисных функций неполон.

4. Расчет расстояний между векторами в пространстве коэффициентов моделей, построенных по коротким участкам временного ряда, при высокой точности аппроксимации позволяет обнаруживать и анализировать динамическую нестационарность (изменение модельного оператора эволюции). При недостаточной для динамического прогноза точности, реконструированные уравнения могут быть использованы для экспресс-анализа на статистическую нестационарность.

Научная и практическая значимость результатов.

Результаты диссертационной работы развивают методы получения моделей по временным рядам, имеющие общедисциплинарное значение. Разработанные методики могут применяться для анализа практически важных сигналов. Динамическая модель, описывающая поведение объекта, может служить инструментом для контроля его состояния. Параметры реконструированной по ряду модели после дополнительного анализа могут быть связаны с не измеряемыми явно свойствами объекта. Отдельной практически важной задачей является построение моделей со структурой выбранной с учетом априорной информации о природе моделируемого объекта. В этом случае построение модели может служить основой для проверки различных гипотез о механизмах его функционирования.

На основе разработанных методик были написаны программы для анализа ЭЭГ, внедряемые в настоящее время в диагностическую и исследовательскую практику (9-я гор. больницы города Саратова и Институт высшей нервной деятельности и нейрофизиологии РАН). С их помощью исследуется возможность контроля эффективности действия противосудорожных лекарств, и устанавливаются механизмы, лежащие в основе некоторых видов эпилепсии.

Личный вклад автора.

Автором произведено программирование и проведены численные исследования и эксперименты. Формулировка поставленных задач, выбор методов их решения, а также интерпретация полученных результатов произведена совместно с научным руководителем и соавторами.

Апробация работы и публикации.

Основные результаты диссертации составили содержание докладов на следующих конференциях и школах.

— VII Международная школа «Хаотические автоколебания и образование структур». Саратов, Россия, 1−6 октября, 2004.

— XII Научная школа «Нелинейные волны — 2004», конференция молодых ученых. Нижний Новгород, Россия, 29 февраля — 7 марта, 2004.

— International symposium «Topical problems of nonlinear wave physics» (Международный симпозиум «Актуальные проблемы физики нелинейных волн»), Nizhny Novgorod, Russia, September 6−12, 2003.

— The 5th European Congress on Epileptology, Madrid, 2002.

— VI Научная конференция «Нелинейные колебания механических систем». 16−19 сентября, 2002.

— XI Всероссийская научная школа «Нелинейные волны — 2002». Нижний Новгород, Россия, 2−9 марта, 2002.

— VI Международная школа «Хаотические автоколебания и образование структур». Саратов, Россия, 2001.

— Научная школа-конференция «Нелинейные дни в Саратове для молодых — 2000». Саратов, Россия, 16−20 октября, 2000.

— II Международная конференция «Фундаментальные проблемы физики». Саратов, Россия, 2000.

— The 6th International Symposium on Nonlinear Theory and its Applications NOLTA-2000 (VI Международный симпозиум по нелинейной теории и ее приложениям). Dresden, Germany, 2000.

— V Международная конференция «Нелинейные колебания механических систем». Нижний Новгород, Россия, 1999.

Работы были поддержаны грантами РФФИ (№ 99−02−17 735, № 02−217 578), части работы по этим проектам выполнялись как индивидуальные разделы, поддержанные молодежными грантами РФФИ (№ 02−02−6 502, № 03−02−6 860), а также Американским фондом гражданских исследований и развития для государств бывшего Советского Союза (грант № REC-006).

По теме диссертации было опубликовано 17 научных работ, из них 5 статей в реферируемых научных журналах, 1 статья в коллективной монографии, 11 тезисов и публикаций в сборниках трудов конференций.

Структура работы.

Во введении обосновывается актуальность и практическая значимость рассматриваемых в работе проблем, формулируется цель работы, перечисляются основные задачи, формулируются положения, выносимые на защиту.

В первой главе рассматривается возможность, преимущества и недостатки использования переходных процессов при проведении глобальной реконструкции динамических моделей по временным рядам.

Для исследования роли переходных процессов использовались временные ряды, получаемые путем численного решения уравнений эталонных динамических колебательных систем (осциллятора Тода под гармоническим внешним воздействием, связанных квадратичных отображений, осциллятора Ван дер Поля — Тода). Уровень шума при этом незначителен, определяется лишь погрешностями численного метода и машинного округления. Все это позволяет уйти от решения сложных проблем связанных с выбором качественного вида модели и влиянием шума и сосредоточиться на решении поставленной задачи.

Процедура исследования заключалась в следующем. Фиксировалась некоторая ширина окна реконструкции (М точек): Хк = {х.}^, где тномер начальной точки (при увеличении т окно сдвигается по временному ряду в область установившихся движений). Модели восстанавливались при различных значениях т и сравнивались различным критериям качества (точность аппроксимации функций, стоящих в объекте, предсказательные возможности модели).

Выделены случаи, влияния учета переходного процесса на качество модели. В зависимости от цели моделирования (получение глобальной модели или прогноз установившихся движений) использование переходного процесса может как улучшать, так и ухудшать качество модели.

Для случая, когда аппроксимирующие функции содержат «лишние» слагаемые, предложена процедура их выделения и удаления из базиса. Эффективность использования этой процедуры повышается при моделировании по переходному процессу.

Во второй главе развивается и модернизируется метод выбора способа формирования динамических переменных по временному ряду, предложенные ранее в работе [17].

Чтобы реконструкция была возможна необходимо, чтобы между последовательными восстановленными векторами состояния существовала однозначная и непрерывная зависимость. Поэтому, решая, какой набор переменных выбрать, необходимо проверить наличие однозначной непрерывной зависимости между левыми и правыми частями восстанавливаемых уравнений. Для этого в [17] предлагалось разбить фазовое пространство из восстановленных переменных на ячейки размером 5 и рассчитав в каждой из них разброс s аппроксимируемых значений, стоящих в левых частях модельных уравнений, выбрать из них максимальный. Если зависимость этого максимального разброса б^^ от 6 идет в 0 при уменьшении д, то можно утверждать, что однозначная и непрерывная зависимость существует и построение модели возможно.

В данной главе предложено заменить разброс в ячейках на разброс между точками, лежащими на расстоянии меньше 8. Это позволяет устранить немонотонность зависимостей разброса s^x (S), что облегчает их интерпретацию. Кроме того, после введения такой модификации оказывается возможным использовать зависимость s^^ (5) для тестирования исследуемой зависимости на нелинейность.

Проанализировано влияние конечности и дискретности имеющегося набора тренировочных точек на результаты тестирования. Выделен признак некорректной работы процедуры, вследствие нехватки тренировочных точек для разрешения структуры зависимости на малых масштабах.

В третьей главе предлагается, исследуется и апробируется новый метод оптимизации набора базисных функций. В его основе лежит предположение о том, что коэффициенты перед «лишними» базисными функциями будут чувствительны к малым изменениям распределения тренировочных точек. Эффекта аналогичного изменению этого распределения можно добиться вводя для каждой точки ее вес. При оценке значений коэффициентов по методу наименьших квадратов критерий их определения после введения весов будет выглядеть следующим образом:

N (М s = ?p (*i) f{Xi)~Y, akSk (xi) • 1=1 V k=i.

Для случая ортогональных базисных функций получена аналитическая оценка чувствительности коэффициентов к малым изменениям весовой функции р —" р' = р + р. В случае неортогонального набора достаточно рассчитать эту чувствительность для проекции базисной функции, ортогональной всем остальным базисным функциям, так как только она в действительности улучшает качество аппроксимации.

Предлагается процедура совершенствования базиса, которая в данном случае состоит из выбора некоего начального универсального набора с последующим исключением тех функций, чувствительность которых к малым изменениям весовой функции тренировочных точек максимальна.

Показана связь новой процедуры оптимизации с ранее известной [18,19]. Процедура апробируется, и эффективность ее работы сравнивается с эффективностью ранее известной методики на ряде численных примеров.

В 4-й главе дан краткий обзор методов анализа нестационарности, включая динамическую (изменение оператора эволюции порождающего ряд объекта). Рассмотрена возможность применения для анализа динамической нестационарности методики построения моделей по временному ряду. На простых численных примерах рядов динамических систем со скачкообразным изменением параметра (логистическое отображение, отображение косинуса) показано, что точное определение момента произошедших изменений возможно, только если модель с высокой точностью описывает динамику системы. В противном случае ее коэффициенты оказываются зависящими от распределения тренировочных точек, и получаемая картина отражает нестационарность параметров этого распределения (то есть статистических, а не динамических свойств ряда).

Методика применена для анализа стационарности внутричерепных ЭЭГ во время эпилептического припадка. С ее помощью удается выделить несколько стадий в его протекании. Результаты анализа динамической нестационарности припадка с помощью глобальных моделей сравниваются с более традиционными методами — построением спектрограмм и вейвлет-спектров, а также результатами анализа стационарности одномерной функции распределения. Показано, что анализ динамической нестационарности дает информацию, дополняющую то, что получается с помощью перечисленных, ставших традиционными, методик.

В приложении представлены результаты моделирования автономных колебаний антенного жгутика москита, возникающих под воздействием определенного лекарства (DMSO), по временным рядам скорости его движения, предоставленным специалистами университета города Цюриха (Швейцария). Выбор в качестве переменных самой наблюдаемой величины xt =v (t,) и интеграла от нее с переменным верхним пределом у. = ^v{t)dt о позволил получить восстановленную фазовую траекторию, не содержащую самопересечений. Для такого выбора переменных получена модель в виде осциллятора Ван дер Поля с нелинейным потенциалом, которая с высокой точностью воспроизводит динамику объекта.

Основные результаты 4-й главы:

1. Показаны возможности и ограничения приложения метода реконструкции модели по временному ряду к анализу динамической нестационрности.

2. Проведен анализ стационарности внутричерепных ЭЭГ во время эпилептического припадка методами реконструкции уравнений по временным рядам. Данные о временной структуре припадка дополняют информацию, получаемую традиционными статистическими методами, в частности, с помощью спектрального и вейвлет-анализа.

1−4-1-I-I-" V" -n-" —————-FT'" .1 ' ¦ ¦ '.

20 40 60 80 100 120 140 160 180 200 220 240 260.

Время, sec.

Рис. 4.22. Временная реализация, спектрограмма (спектры, рассчитанные в скользящем окне длиной 1000 точек (4 сек)) и вейвлет преобразование (вейвлет Морле (4.17) с т0=6) ЭЭГ пациента 3.

Рис. 4.23. Матрицы расстояний между коэффициентами линейных 6-мерных моделей (а) и нелинейных (с полиномом 3-го порядка) 3-мерных моделей (б) для ЭЭГ пациента 3. Стрелками показаны моменты начала и конца припадка, выделенные специалистами по виду временной реализации.

ЗАКЛЮЧЕНИЕ

.

Получение удачной динамической модели требует точности на всех перечисленных во введении этапах процедуры ее реконструкции. Ошибка или просто не самый удачный выбор на любом из них может сделать эту задачу трудной или, вообще, нерешаемой. По этой причине причине развивавшиеся с начала 80-х годов универсальные подходы к реконструкции не нашли широкого практического применения. В последние годы стало ясно, что необходимо разрабатывать направленные методики и приемы (технологии), учитывающие специфику достаточно узких классов моделируемых объектов.

В работе предложен целый ряд подобных технологических приемов, позволяющих существенно расширить область применения реконструкции. Сюда относятся: учет переходных процессов (включение его в тренировочный ряд и использование при проведении оптимизации набора базисных функций), усовершенствованный метод проверки пригодности набора переменных для динамического моделирования, новый метод оптимизации набора базисных функций.

Коэффициенты хорошей динамической модели не должны зависеть от распределения тренировочных точек в фазовом пространстве. В этом случае расстояние между коэффициентами, рассчитанными на разных участках временного ряда, можно использовать для оценки динамической нестационарности, то есть обнаружения моментов изменения оператора эволюции генерирующего ряд объекта. Однако и в случае присутствия такой зависимости модель может быть полезна, как средство экспресс-анализа статистической нестационарности.

Методика анализа стационарности была применена для исследования этапов протекания эпилептических приступов по внутричерепным записям ЭЭГ. Полученные результаты дополняют информацию, доступную с помощью стандартных для этой области методик (спектрального и вейвлет-анализа).

Показать весь текст

Список литературы

  1. Crutchfield J.P., McNamara B.S. Equations of motion from a data series // Complex Systems. 1987. Vol. 1. P.417−452.
  2. Cremers J., Hubler A. Construction of differential equations from experimental data // Z. Naturforschung A. 1987. Vol.42. P.797−802.
  3. Breeden J.L., Hubler A. Reconstructing equations of motion from experimental data with unobserved variables // Phys.Rev. A. 1990. Vol.42, № 10. P.5817−5826.
  4. Gouesbet G., Maquet J. Construction of phenomenological models from numerical scalar time series // Physica D. 1992. Vol.58. P.202−215.
  5. Gouesbet G., Letellier C. Global vector-field approximation by using a multivariate polynomial L2 approximation on nets // Phys. Rev. E. 1994. Vol.49. P.4955−4972.
  6. Д.А., Грибкова B.B., Кравцов Ю. А., Кузнецов Ю. И., Ржанов А. Г. Восстановление структуры динамической системы по временным рядам // Радиотехника и электроника. 1994. Т.39, В.2. С.269−277.
  7. А.Н., Янсон Н. Б., Анищенко B.C. Применение статистических методов при решении задачи глобальной реконструкции // Письма в ЖТФ. 1997. Т.23, № 8. С.7−13.
  8. A.M., Мольков Я. И., Мухин Д. Н., Лоскутов Е. М. Прогноз качественного поведения динамических систем по хаотическому временному ряду // Изв. Вузов. Радиофизика. 2001. Том XLIV, № 5−6. С. 376−397.
  9. Kadtke J. Classification of highly noisy signals using global dynamical models // Phys.Lett. A. 1995. Vol.203. P. 196−202.
  10. Kadtke J., Kremliovsky M. .Estimating statistics for detecting determinism using global dynamical models // Phys.Lett. A. 1997. Vol.229. P.97−106.
  11. Anishchenko V.S., Pavlov A.N. Global reconstruction in application to multichannel communication // Phys.Rev. E. 1998. Vol.57, № 2. P.24 552 457.
  12. Н.Монин A.C., Питербарг Л. И. О предсказуемости погоды и климата// Пределы предсказуемости / под ред. Кравцова Ю. А. М.: ЦентрКом, 1997. С. 12−39.
  13. Keller C.F. Climate, modeling, and predictability // Physica D. 1999. V. 133. P. 296−308.
  14. M.A., Писаренко В. Ф. О прогнозе временных рядов// Пределы предсказуемости / под ред. Кравцова Ю. А., М.: ЦентрКом, 1997. С. 158−169.
  15. Lequarre J.Y. Foreign currency dealing: a brief introduction (data set C) // in Time Series Prediction: Forecasting the Future and Understanding the Past, SFI Studies in the Science of Complexity, Proceedings Vol. XV, Addison-Wesley, 1993. P. 131−137.
  16. Cecen A.A. and Erkal C. Distinguishing between stochastic and deterministic behavior in high frequency foreign exchange rate returns: Can non-linear dynamics help forecasting? // Int. J. Forecasting. 1996. V. 12. P .465−473.
  17. A.H., Янсон Н. Б., Анищенко B.C. Реконструкция динамических систем // Радиотехника и электроника. 1999. Т. 44, № 9. С. 1075−1092.
  18. О.Л., Бутковский О. Я., Кравцов Ю. А. Восстановление динамических систем по хаотическим временным рядам (краткий обзор) // Известия ВУЗов. Прикладная нелинейная динамика. 2000. Т. 8, № 1.С. 29−51.
  19. Kantz H. and Schreiber Т., Nonlinear Time Series Analysis, Cambridge University Press, Cambridge, 1997.
  20. B.C., Янсон Н. Б., Павлов A.H. Об одном методе восстановления неоднородных аттракторов // Письма в ЖТФ. 1996. Т. 22, № 7. С. 1−6.
  21. Brown R., Rulkov N.F., Tracy E.R. Modeling and synchronizing chaotic systems from time-series data // Phys.Rev. E. 1994. Vol. 49, № 5. P. 37 843 800.
  22. Letellier C., Macquet J., Le Sceller L., Gouesbet G., and Aguirre L.A. On the non-equivalence of observables in phase space reconstructions from recorded time series // J. Phys. A: Math. Gen. 1998. V. 31. P. 7913−7927.
  23. Letellier C., Aguirre L.A. Investigating nonlinear dynamics from time series: The influence of symmetries and the choice of observables // Chaos. 2002. V. 12, No. 3. P. 549−558.
  24. Smirnov D.A., Bezruchko B.P., Seleznev Y.P. Choice of dynamical variables for global reconstruction of model equations from time series // Phys. Rev. E. 2002. Vol. 65. 206 205.
  25. Judd K., Mees A. Embedding as modeling problem // Physica D.1998. Vol. 120. P. 273−286.
  26. Aguirre Luis A., Freitas Ubiratan S., Letellier Christophe, Maquet Jean. Structure-selection techniques applied to continuous-time nonlinear models //Physica D. 2001. Vol. 158. P. 1−18.
  27. А.Я. Нестационарность ЭЭГ: методологический и экспериментальный анализ // Успехи физиологических наук. 1998. Том 29, № 3. с. 35−55.
  28. Blanco S., Garcia H., Quian Quiroga R., Romanelli L., Rosso O.A. Stationarity of the EEG series // IEEE Engineering in Medicine and Biology. 1995. Vol. 4. P. 395−399.
  29. Franaszczuk P.J., Bergey J.K., Durka P.J., Eisenberg H.M. Time-frequency analysis using the matching pursuit algorithm applied to seizures originating from the mesial temporal lobe // Electroencephalogr. Clin. Neurophysiol.1998. Vol. 106. P. 513−521.
  30. Noack B.R., Ohle F., Eckelmann H. Construction and analysis of differential equations from experimental time series of oscillatory systems // Physica D. 1992. Vol. 56. P. 389.
  31. Hegger R., Kantz H., Schmuser F., Diestelhorst M., Kapsch R.-P., Beige H. Dynamical properties of a ferroelectric capacitor observed through nonlinear time series analysis // Chaos. 1998. Vol. 8, No. 3. P. 727.
  32. .П., Селезнев Е. П., Смирнов Д. А. Реконструкция уравнений неавтономного осциллятора по временному ряду (модели, эксперимент) // Известия ВУЗов. Прикладная нелинейная динамика, 1999. Т. 7,№ 1. С 49.
  33. Bezruchko В., Smirnov D. Constructing nonautonomous differential equations from an experimental time series // Phys. Rev. E. 2001. Vol. 63. 16 207.
  34. Froyland J. Some symmetric, two-dimensional, dissipative maps // Physica D. 1983. Vol. 8. P. 423.
  35. Waller I., Kapral R. Spatial and temporal structure in systems of nonlinear oscillators // Phys. Rev. A. 1984. Vol. 30. P. 2047.
  36. С.П. Универсальность и подобие в поведении связанных систем Фейгенбаума// Известия ВУЗов. Радиофизика. 1985. Т. 28, № 8. С. 991.
  37. С.П., Пиковский А. С. Переход от симметричного к несимметричному режиму хаотической динамики в системедиссипативно связанных рекуррентных отображений // Известия ВУЗов. Радиофизика. 1989. Т. 32, № 1. С. 49.
  38. Pikovsky A.S., Grassgerger P. Symmetry breaking bifurcation for coupled chaotic attractors // J. Phys. A: Math Gon. 1991. Vol. 24. P. 4587.
  39. Inoue M., Nishi Y. Highly complicated basins of periodic attractors in coupled chaotic maps // Progr. Theor. Phys. 1996. Vol. 95. P. 685.
  40. Астахов B. B, Безручко Б. П., Ерастова E.H., Селезнев Е. П. Виды колебаний и их эволюция в диссипативно связанных фейгенбаумовских системах // ЖТФ. 1990. Т. 60, вып. 10. С. 19.
  41. Astakhov V., Shabunin A., Kapitaniak Т., Anishchenko V. Loss of chaos synchronization through the sequence of bifurcations of saddle periodic orbits // Phys. Rev. Lett. 1997. Vol. 79. P. l 014.
  42. Kaplan D.T. Exceptional events as evidence for determinism // Physica D. 1994. Vol. 73. P. 738−748.
  43. .П., Диканев T.B. Смирнов Д. А. Тестирование на однозначность и непрерывность при глобальной реконструкции уравнений по временным рядам // Известия ВУЗов «Прикладная нелинейная динамика». 2002. Т. 10, № 4. С. 69−81.
  44. Rulkov N., Sushcik М.М., Tsimring L.S. et al. Generalized synchronization of chaos in directionally coupled systems // Phys. Rev. E. 1995. Vol. 51. P. 980.
  45. Л.Э. Дифференциальные уравнения и вариационное исчисление. М: «Наука», 1969.
  46. Manuca R., Savit R. Stationary and nonstationaiy time series analysis // Physica D. 1996. Vol. 99. P. 134−161.
  47. Kennel M. B. Statistical test for dynamical nonstationarity in observed time series data // Phys. Rev. E. 1997. Vol. 56. P. 316.
  48. Yu Dejin, Lu Weiping, Harrison Robert G. Space time-index plots for probing dynamical nonstationarity // Phys. Lett A. 1998. Vol. 250. P. 323 327.
  49. Rieke C., Stemickel K., Andrzejak R.G., Elger C.E., David P., Lehnertz K. Measuring nonstationarity by analyzing the loss of recurrence in dynamical systems // Phys. Rev. Lett. 2002. Vol. 88, № 24.
  50. Schreiber T. Detecting and Analyzing Nonstationarity in a Time Series Using Nonlinear Cross Predictions // Phys. Rev. Lett. 1997. Vol. 78. P. 843.
  51. Schreiber T. Interdisciplinary application of nonlinear time series methods // Phys. Rep. 1999. Vol. 308. P. 3082.
  52. Palus M. Nonlinearity in normal human EEG: cycles, temporal asymmetry, nonstationarity and randomness, not chaos // Biol. Cybern. 1996. Vol. 75. P. 389−396.
  53. C.JI., Бродский Б. Е., Дарховский B.C., Каплан А. Я. ЭЭГ как нестационарный сигнал подход к анализу на основе непараметрической статистики // Физиология человека. 1997. Т 23, № 4. С. 124−126.
  54. KohImorgen J., Muller K.R., Rittweger J., Pavelzik K. Identification of nonstationary dynamics in physiological recordings // Biol. Cybern. 2000. Vol. 83. P. 73−84.
  55. Gribkov D., Gribkova V. Learning dynamics from nonstationaiy time series: analysis of electroencephalograms // Phys. Rev. E. 2000. Vol. 63, No.6. P. 6538−6545.
  56. Jefferys, J.G.R. Basic mechanisms of focal epilepsies // Exp. Neurol. 1990. Vol. 75. P. 127−162.
  57. Е.З. Линейная и нелинейная регрессия, М.: Финансы и статистика, 1981. 302 с.
  58. Schreiber Т., Schmitz A. Classification of time series data with nonlinear similarity measures //Phys. Rev. Lett. 1997. Vol. 79, No.8. P. 1475−1478.
  59. Mallat, S. and Zhang, Z. Matching pursuit with time-frequency dictionaries // IEEE Trans. Sign. Process. 1993. Vol. 41. P. 3397−3415.
  60. Theiler J. On the evidence for low-dimensional chaos in an epileptic electroencephalogram. Physics Letters A. 1995. Vol. 196. P. 335−341.
  61. Schiff N.D., Labar D.R., Victor J.D. Common dynamics in temporal lobe seizures and absence. Neuroscience 1999. Vol. 91, No.2. P. 417−428.
  62. Andrzejak R.G., Widman G., Lehnertz K., Rieke C., David P., Elger C.E. The epileptic process as nonlinear deterministic dynamics in a stochastic environment: an evaluation on mesial temporal lobe epilepsy // Epilepsy Res. 2001. Vol. 44. P. 129−140.
  63. Haken H. Principles of Brain Functioning. A Synergetic Approach to Brain Activity, Behavior and Cognition. Berlin: Springer-Verlag, 1996, Ch. 14.
  64. Lehnertz K., Arnhold J., Elger C.E., Grassberger P. Chaos in Brain? Singapore: World Scientific Publishing, 2000.135
  65. Elger C.E., Lehnertz К. Seizure prediction by non-linear time series analysis of brain electrical activity. Eur. J. Neurosci. 1998- 10: 786−789.
  66. Andrzejak R.G., Mormann F., Kreuz Т., Rieke C., Kraskov A., Elger C.E., Lehnertz K. Testing the null hypothesis of the nonexistence of a preseizure state // Phys. Rev. E. 2003. Vol. 67. 10 901®.
  67. Mormann F., Kreuz Т., Andrzejak R.G., David P., Lehnertz K., Elger C.E. Epileptic seizures are preceded by a decrease in synchronization // Epilepsy Res. 2003. Vol. 53. P. 173−185.
  68. Martinerie J., Adam C., Le Van Quyen M., Baulac M., Clemenceau S., Renault В., Varela F.J. Epileptic seizures can be anticipated by nonlinear analysis //Nature Med. 1998. Vol. 4. P. 1173−1176.
  69. Le Van Quyen M., Martinerie J., Navarro V., Boon P., D’Have M., Adam
  70. C., Renault В., Varela F., Baulac M. Anticipation of epileptic seizures from standard EEG recordings // Lancet. 2001. Vol. 357. P. 183−188.
  71. Lopes da Silva F.H., Blanes W., Kalitzin S.N., Parra J., Suffczynski P., Velis
  72. D.N. Epilepsies as dynamical diseases of brain systems: basic models of the transition between normal and epileptic activity // Epilepsia. 2003. Vol. 44. P. 72−83.
  73. Suffczinski P., Kalitzin S., Lopes da Silva F.H. Dynamics of non-convulsive epileptic phenomena modeled by a bistable neuronal network // Neuroscience. 2004. Vol. 126. P. 467−484.
  74. Aschenbrenner-Scheibe R., Maiwald Т., Winterhalder M., Voss H.U., Timmer J., Schulze-Bonhage A. How well can epileptic seizures be predicted? An evaluation of a nonlinear method // Brain. 2003. Vol. 126. P. 2616−2626.
  75. Maiwald Т., Winterhalder M., Aschenbrenner-Scheibe R., Voss H.U., Schulze-Bonhage A., Timmer J. Comparison of three nonlinear seizure prediction methods by means of the seizure prediction characteristic // Physica D. 2004. Vol. 194. P. 357−368.
  76. Arnhold J., Grassberger P., Lehnertz K., Elger C.E. A robust method for detecting interdependences: application to intracranially recorded EEG // Physica D. 1999. Vol. 134. P. 419−430.
  77. Lachaux J.P., Rodriguez E., Martinerie J, Varela F.J. Measuring phase synchrony in brain signals // Hum. Brain Mapp. 1999. Vol. 8. P. 194−208.
  78. Mormann F., Lehnertz K., David P., Elger C.E. Mean phase coherence as a measure for phase synchronization and its application to the EEG of epilepsy patients // Physica D. 2000. Vol. 144. P. 358−369.
  79. Varela F., Lachaux J.P., Rodriguez E., Martinerie J. The brainweb: phase synchronization and large-scale integration //Nat. Rev. Neurosci. 2001. Vol. 2. P. 229−239.
  80. Stam C.J., van Dijk B.W. Synchronization likelihood: an unbiased measure of generalized synchronization in multivariate data sets // Physica D. 2002. Vol. 163. P. 236−251.
  81. Altenburg J., Jeroen Vermeulen R., Strijers R.L.M., Fetter W.P.F., Stam C.J. Seizure detection in the neonatal EEG with synchronization likelihood // Clin. Neurophysiol. 2003. Vol. 114. P. 50−55.
  82. Moeckel R., Murray B. Measuring the distances between time series // Physica D. 1997. Vol. 102. P. 187−194.
  83. Hively L.M., Gaily P.C., Protopopescu V.A. Detecting dynamical change in nonlinear time series // Physics Letters A. 1999. Vol. 258. P. 103−114.
  84. Kantz H. Quantifying the closeness of fractal measures // Phys. Rev. E. 1994. Vol. 49. P. 5091.
  85. Eckmann J.P., Kamphorst S.O., Ruelle D. Recurrence plots of dynamical systems // Europhysics Letters. 1987. Vol. 4. P. 973−977.
  86. Jouny C.C., Franaszczuk P.J., Bergey G.K. Characterization of epileptic seizure dynamics using Gabor atom density // Clin. Neurophysiol. 2003. Vol. 114. P. 426−437.
  87. Gopfert M.C., Robert D. Active auditory mechanics in mosquitoes // Proc. R. Soc. Lond. B. 2001. Vol. 268. P. 333−339.
  88. Г. Г., Потапов А. Б. Современные проблемы нелинейной динамики. М.: Эдиториал УРСС, 2000.
  89. Публикации автора по теме диссертации
  90. Bezruchko В.Р., Dikanev T.V., and Smirnov D.A. Role of transient processes for reconstruction of model equations from time series // Phys. Rev. E. 2001. Vol. 64. 36 210.
  91. .П., Диканев T.B., Смирнов Д. А. Глобальная реконструкция модельных уравнений по реализации переходного процесса // Изв. ВУЗов. Прикладная нелинейная динамика. 2001. Т. 9, № 3. С. 3 14.
  92. Dikanev Т., Smirnov D., Ponomarenko V., and Bezruchko В. Three subproblems of global model reconstruction from time series and their peculiarities // Izv. VUZ «Applied Nonlinear Dynamics». 2003. Vol. 11, No. 3.P. 165−178.
  93. ЮО.Безручко Б. П., Диканев T.B., Смирнов Д. А. Тестирование на однозначность и непрерывность при глобальной реконструкциимодельных уравнений по временным рядам // Известия ВУЗов «Прикладная нелинейная динамика». 2002. Т. 10, № 4. С. 69−81.
  94. Dikanev T.V. Method of basis functions set optimization in time series modeling // in: Proceedings of International Symposium on Topical problems of nonlinear wave physics. Institute of Applied Physics, RAS, Nizhny Novgorod, 2003.
  95. Perez Velazqez J.L., Beruchzko В., Smirnov D., Dikanev Т., Cornelius L., Wennberg R. Dynamical regimes in human intractable epilepsies // 5th European Congress on Epileptology, Madrid, 2002. Epilepsia 43 (sup. 8): p. 177.
  96. .П., Диканев T.B., Смирнов Д. А. Выбор динамических переменных при глобальной реконструкции по временным рядам // Тезисы докладов VI-й научной конференции Нелинейные колебания механических систем. Нижний Новгород 2002, с.20−21.
  97. Dikanev T.V., Bezruchko В.Р. The role of transient process and reconstruction of model equations from time series. // The book of abstracts of 6th international school on chaotic oscillations and pattern formation Chaos 2001, Saratov 2001, p. 24−25.
  98. T.B. Об использовании переходных процессов при восстановлении уравнений по временным рядам // Материалы научнойшколы-конференции «Нелинейные дни в Саратове для молодых -2000», Саратов, ГосУНЦ «Колледж».
  99. Bezruchko В.Р., Dikanev T.V., and Smirnov D.A. Informational value of different parts of a time series for reconstruction of a dynamical system // Proc. Int. Symp. NOLTA, Dresden, 2000, V. 2. P. 709−712.
  100. Bezruchko B.P., Dikanev T.V., Seleznev Ye.P., and Smirnov D.A. Constructing a Model of a Non-Autonomous Piecewise-Linear Electronic Circuit from a Scalar Time Series // Proc. VII Int. Spec. Workshop NDES, Bornholm, Denmark, 1999. P. 65−68.
  101. Т.В. «Информационная значимость различных участков временного ряда для восстановления уравнений динамической системы», Материалы научной школы-конференции «Нелинейные дни в Саратове для молодых 98», Саратов, ГосУНЦ «Колледж».
Заполнить форму текущей работой

Пора сдавать?