GP_Algorithm.rar_gp algorithm_matlab GP_延迟_最佳嵌入维数_最佳延迟MATLAB

% GP算法求关联维和嵌入维 %clc clear close all IsPlot = 1; %--------------------------------------------------- % 产生 Lorenz 时间序列 sigma = 10; % Lorenz方程参数 r = 28; b = 8/3; y = [-1;0;1]; % 起始点 (3x1 的列向量) h = 0.01; % 积分时间步长 k1 = 30000; % 前面的迭代点数 k2 = 3000; % 后面的迭代点数 z = LorenzData(y,h,k1+k2,sigma,r,b); X = z(k1+1:end,1); X = normalize_1(X); % 归一化到均值为 0，振幅为 1 %---------------------------------------------------' disp('----- GP算法求关联维和嵌入维 -----'); t = 10; m_vector = 2:5; r_vector = exp(-5:0.5:0); num_m = length(m_vector); num_r = length(r_vector); ln_Cr = zeros(num_m,num_r); %------------------------------------------------------ tic type_norm = 2 % 使用范数类型 (缺省值为2) % type_norm = 0,1,2时，分别对应无穷范数、1范数和2范数 block = 1 % 分块计计算关联积分 - 分块数 (缺省值为1) % t越大速度越快，但有误差 for i = 1:num_m for j = 1:num_r % 计算关联积分S(m,N,r,t), 参见 <<混沌时间序列分析及应用>> P35 式(2.29) m = m_vector(i); r = r_vector(j); %ln_Cr(i,j) = log(CorrelationIntegral(m,X,r,t)); % 缺省用法 ln_Cr(i,j) = log(CorrelationIntegral(m,X,r,t,type_norm,block)); end end t = toc ln_r = log(r_vector); plot(ln_r,ln_Cr','+:');grid; xlabel('ln(r)'); ylabel('ln(C(r))'); title(['norm = ',num2str(type_norm),', block = ',num2str(block),', t = ',num2str(t)]); legend('m=2','m=3','m=4','m=5',4)