کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7374697 1480064 2018 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Complexity-entropy causality plane based on power spectral entropy for complex time series
ترجمه فارسی عنوان
بر اساس آنتروپی طیفی قدرت برای سری زمانی پیچیده، علیت پیچیدگی آنتروپی
کلمات کلیدی
پیچیدگی علیت انتروپی، آنتروپی طیفی قدرت، طبقه بندی، تشخیص گسل،
ترجمه چکیده
این عنصر پیچیدگی آنتروپی بر مبنای آنتروپی جایگزینی یک ابزار قدرتمند برای تشخیص سیگنال های مختلف سیستم است. در این مقاله، ما اندازه گیری پیچیدگی آماری آماری و قدرت آنتروپی طیفی قدرت را ترکیب می کنیم و ساختار پیچیدگی آنتروپی را در ناحیه فرکانس ایجاد می کنیم. آنتروپی طیفی قدرت از تحول فوریه حاصل می شود، بنابراین برخی از ویژگی هایی که در دامنه زمانی مبهم هستند، می توانند در حوزه فرکانس استخراج شوند. در مقایسه با آنتروپی پیمونت، این روش از پارامترهای آزاد است. چندین سری زمانی تولید شده از کلاس های مختلف برای تجزیه و تحلیل اندازه گیری ها مورد تجزیه و تحلیل قرار گرفته است. نتایج نشان می دهد که این سیگنال ها می توانند در هواپیما به وضوح مشخص شوند. سپس با اضافه کردن سیگنال غیر طبیعی سینوسی به یک اصل، اطلاعات غیر عادی می تواند به طور موثر تشخیص داده شود. در نهایت، ما آن را به سیگنال های ارتعاش تحمل می کنیم. عواقب تجربی نشان می دهد که زمان شروع شروع و طبقه بندی سیگنال خطا را می توان به وضوح مشخص کرد.
موضوعات مرتبط
مهندسی و علوم پایه ریاضیات فیزیک ریاضی
چکیده انگلیسی
The complexity-entropy causality plane based on permutation entropy is a powerful tool to discriminate signals from different systems. In this paper, we combine traditional statistical complexity measure and power spectral entropy and construct complexity-entropy causality plane in frequency domain. The power spectral entropy is derived from Fourier transformation, so some features that are obscure in time domain can be extracted in frequency domain. Comparing to permutation entropy, this method is free of parameters. Several time series generated from different classes of systems are analyzed to demonstrate the measure. Results show that these signals can be clearly distinguished in our plane. Then by adding sinusoidal abnormal signal into original one, the abnormal information can be efficiently detected. Finally, we apply it to bearing vibration signals. Empirical consequences illustrate that the start-stop time and classification of fault signal can be clearly determined.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Physica A: Statistical Mechanics and its Applications - Volume 509, 1 November 2018, Pages 501-514
نویسندگان
, , , ,