Finding metastable states in real-world time series with recurrence networks

در چارچوب تجزیه و تحلیل سری زمانی با شبکه های عود، ما یک روش خود سازگار را معرفی می کنیم که آستانه عود بازگشتی را تعیین می کند و حالت های متاستاز را در مجموعه های پیچیده زمان واقعی پیچیده مشخص می کند. به عنوان مرحله اولیه، ما راه را برای تنظیم پارامترهای جاسازی شده برای بازسازی فضای حالت از سری زمانی معرفی می کنیم. ما آنها را به عنوان آنهایی که حداکثر انتروپی شانون توزیع طول خط مورب را برای اولین حداقل موثر بودن سرعت عود و انتروپی شانون تعیین می کنیم. برای شناسایی حالت های متاستاز و همچنین انتقال بین آنها، ما از الگوریتم پارتیشن بندی نرم برای پیدا کردن ماژول استفاده می کنیم که به طور خاص برای این مورد که در آن یک سیستم نشان دهنده قابلیت متاستاز است، استفاده می شود. ما روش ما را با مثال سری زمانی پیچیده نشان می دهیم. در نهایت، ما قوی بودن روش ما را برای شناسایی حالت های متاستاز نشان می دهیم. نتایج ما نشان می دهد که روش ما برای شناسایی حالت های متاستاز در سری های زمانی پیچیده، حتی با معرفی سطوح قابل توجهی از نویز و نقاط داده های از دست رفته، قوی است.