第1章绪论1
1.1研究背景及意义1
1.2多元混沌时间序列特征分析基本方法3
1.2.1多元混沌时间序列的特征提取方法3
1.2.2多元混沌时间序列的特征选择方法4
1.3主要研究内容及结构5
参考文献6

第2章混沌时间序列的特征选择方法8
2.1特征选择方法概述8
2.2互信息分步式特征选择算法12
2.2.1k-近邻互信息估计12
2.2.2分步式特征选择算法13
2.2.3分步式算法用于RBF网络隐层节点选择16
2.2.4仿真实例17
2.3基于相对变化面积的灰色关联模型20
2.3.1模型建立20
2.3.2基本性质23
2.3.3基于集合思想的特征选择及预测模型23
2.3.4仿真实例25
2.4基于向量的灰色关联模型27
2.4.1基于向量的改进灰色关联模型27
2.4.2基本性质30
2.4.3仿真实例31
参考文献33

第3章混沌时间序列的因果关系分析方法35
3.1混沌时间序列的因果关系分析方法概述35
3.1.1Granger因果关系分析35
3.1.2基于信息理论的因果分析方法39
3.1.3基于状态空间的因果分析方法40
3.2混沌时间序列的因果关系分析方法对比43
3.3基于HSIC-Lasso的Granger因果关系分析模型45
3.3.1Hilbert-Schmidt独立性准则46
3.3.2HSIC-Lasso模型46
3.3.3基于HSIC-Lasso的Granger因果关系分析47
3.3.4仿真实例50
3.4基于HSIC-GLasso的Granger因果关系分析模型56
3.4.1HSIC-GLasso模型56
3.4.2基于HSIC-GLasso的Granger因果关系分析58
3.4.3仿真实例58
参考文献65

第4章混沌时间序列的分解方法与组合预测模型68
4.1混沌时间序列经验模态分解方法概述68
4.1.1集成经验模态分解70
4.1.2完整集成经验模态分解71
4.1.3具有自适应噪声的完整集成经验模态分解72
4.2基于经验模态分解的组合预测模型74
4.2.1基本算法74
4.2.2基于EEMD和ESN的组合预测模型76
4.2.3基于EEMD-PE和ESN的组合预测模型76
4.2.4仿真实例79
4.3基于两层分解技术的组合预测模型83
4.3.1基本算法83
4.3.2基于两层分解技术和BP神经网络的组合预测模型88
4.3.3仿真实例90
参考文献96

第5章脑电时间序列的特征提取方法与分类模型97
5.1脑电时间序列特征提取方法概述97
5.2脑电时间序列混合特征提取算法98
5.2.1自回归模型98
5.2.2小波变换和小波包变换99
5.2.3样本熵101
5.2.4混合特征提取算法101
5.2.5仿真实例103
5.3集成极限学习机分类模型106
5.3.1极限学习机的基本原理106
5.3.2基于线性判别分析的集成极限学习机模型107
5.3.3仿真实例109
5.4基于互信息的多元脑电时间序列特征提取算法112
5.4.1基于互信息的多元时间序列特征提取112
5.4.2基于类可分离性和变量可分离性的特征选择113
5.4.3仿真实例114
参考文献119