一、涨落复杂性在EEG时间序列分析中的应用(论文文献综述)
毛学耕[1](2021)在《非线性时间序列的复杂性和因果关系度量及其应用》文中进行了进一步梳理在信息化飞速发展的时代,数据的搜集、处理和研究至关重要.数据统计分析作为统计学科的一个重要方向,因其关联的理论知识丰富、方法应用广泛引起了不同学科的科学家们的大量关注.其中,时间序列的非线性和相互关系度量为考察现实世界中客观存在的复杂系统的内在作用机制和动态演化提供了参考,这也是本文的主要研究方向.在本文中,我们基于累积剩余信息、概率分布理论和信息熵研究非线性非平稳时间序列的复杂性、在不同时间尺度下的波动情况以及它们之间的差异性;基于经验模式分解和相位一致性研究时间序列之间的因果关系;基于分形理论和广义熵分析序列的分形结构.本文的主要研究内容包括以下四个方面:1、时间序列的累积剩余信息研究.我们基于非广延熵将累积剩余Kullback-Leibler 信息(Cumulative residual Kullback-Leibler information,CRKL)推广到分数阶,提出一种新的量化序列之间差异性的度量,定义为分数阶CRKL(Fractional CRKL,FCRKL).在理论层面,我们研究了 FCRKL和CRKL以及Fisher信息之间的关系,并给出了关于FCRKL的一些性质和定理及其相应证明.除此之外,我们也定义了离散形式的FCRKL.通过模拟不同分布函数,验证了 FCRKL度量的有效性.然后,我们将FCRKL应用到金融市场中,分析不同股票指数之间的相似性.研究发现FCRKL更能有效区分股票指数之间在不同时期的差异性,并且能够识别出特定时期的金融事件.另一方面,针对分布熵算法存在的不足,我们将累积剩余信息和分布熵结合,提出了累积剩余分布熵(Cumulative residual distribution entropy,CRDE)和多尺度累积剩余分布熵(Multiscale CRDE,MCRDE).CRDE可以分析状态空间重构后向量之间距离的分布情况和幅值变化,能够捕捉到序列更全面的动态信息.同时MCRDE能够较准确地刻画出高斯白噪声和1/f噪声在不同时间尺度下的波动情况.在实际应用中,MCRDE揭示了不同病理状态下心率间隔时间序列的差异性,验证了健康年轻个体的生理机制复杂性最高,能够随外部环境的变化作出适当的调整,而老年和疾病个体的生理机制相对来说比较脆弱,复杂性降低.2、时间序列在不同尺度下的因果关系.我们首次应用因果分解方法研究了十个主要国家近48年GDP序列之间的因果关系.首先我们应用集成经验模式分解(Ensemble empirical Mode Decomposition,EEMD)分解 GDP 变化率序列,获得四个本征模函数(Intrinsic Mode Function,IMF)和一个残余趋势,并分别计算了它们的方差贡献率和平均周期.我们发现绝大多数国家的经济增长波动以3-5年的短时间周期为主.然后利用原因和结果的协变原则以及相位一致性理论计算每对IMF之间的因果关系方向和强度.发现各个国家在不同时期的环境下,因果关系的方向和强度是有变化的,在短周期和中长周期体现最明显,这也说明各国之间的经济往来和相关政策是随时间变化的.但在长周期条件下,国家之间的因果关系明显减少和减弱,这表明长期来看,国家的经济波动主要由自身的发展政策和环境主导.3、多变量样本熵(Multivariate sample entropy,MVSE)和多变量多尺度样本熵(Multivariate multiscale sample entropy,MMSE)的容忍度计算方法研究.容忍度参数r的选取直接影响相似模式的存在比例.传统计算容忍度参数r的方法比较简单,在衡量新模式产生的概率大小方面可能会产生偏差从而导致结果不准确.基于此问题,我们结合累积直方图方法(Cumulative Histogram Method,CHM)估计了所有可能的r值,并建立了 MVSE和MMSE分布,能够更完整更准确地度量序列的复杂度.通过比较不同性质序列的基于CHM的自适应MVSE结果和传统的MVSE结果,验证了基于CHM的MVSE能够用于计算短时间序列,并且随序列长度增加变化不明显.同时我们又定义了两个辅助性度量AvgMMSE和SDMMSE,以便研究在不同尺度下的复杂性.对于短时间序列,我们应用AvgMVSE和SDMVSE.同时,基于累积直方图方法能够揭示股票指数所含的信息量随时间推移的变化情况,对多变量股票指数数据的分析保留了收盘价格和成交量每个通道的波动特征.4、复杂度-熵平面以及分数维结构分析.首先,我们将原始的复杂度-熵因果关系平面推广到多变量情形,提出了多变量多尺度复杂度-熵因果关系平面(Multi-variate multiscale complexity-entropy causality plane,MMCECP),即通过计算多变量置换熵和多变量统计复杂度测度分析多变量时间序列的统计性质.通过对不同类型的模拟数据验证,我们说明了 MMCECP的有效性以及其对噪声的免疫性.在金融时间序列应用中,MMCECP能够将发达国家和新兴国家的股票指数区分开,并且不同地区的股票指数在MMCECP的位置也有较明显的差异.然后,我们用功率谱熵(Power spectral entropy,PSE)替换置换熵在频域上分析序列的动态特性.和置换熵相比,PSE算法不需要选取合适的参数.我们又结合Tsallis熵和Renyi熵将原始熵平面推广为熵曲线分析,并给出了在参数趋于0和无穷时广义PSE和复杂性测度的极限值.在q阶Tsallis复杂度-熵曲线中,混沌序列和随机序列的熵曲线形状是可区分的,其中混沌序列的熵曲线是开放的但随机序列的熵曲线是闭合的;在r阶Renyi复杂度-熵曲线中我们可以通过曲线的曲率来辨别不同类型的序列,具有长程自相关性的序列的熵曲线曲率存在正值而不相关的序列的曲线曲率是负值;同时在Tsallis-Renyi熵曲线中也可观察到两种熵之间的关系随参数变化的情况.在睡眠的ECG和EEG信号分析中,验证了 SWS阶段具有最明显的复杂性特性,并且EEG信号比ECG信号更能准确区分不同的睡眠状态.另一方面,我们又提出了一种新的复杂性度量,分散Lempel-Ziv复杂度(Dispersion Lempel-Ziv complexity,DLZC).相比于原始的LZC,DLZC能够将原始序列映射到多元符号化序列,这样能够减少信息的损失.不同组数值模拟验证了 DLZC和标准化的分散熵(Normalized dispersion entropy,NDE)对参数变化和不同程度的噪音不敏感.同时,我们建立了以NDE为横坐标,DLZC为纵坐标的熵平面.三种不同性质的混沌序列在熵平面的聚集区域是可区分的,并且其多尺度特性是明显有差异的,验证了提出的熵平面的有效性.熵平面也使得不同指数下的分形布朗运动和分形高斯白噪声更具有可区分性.在心率间隔时间序列应用中,我们分析了不同病理状态下心率数据的复杂性,深入研究了年龄和疾病与心率数据之间的相关关系.研究表明健康年轻个体具有最显着的复杂性,而年龄和疾病都会导致系统复杂性的降低,这一现象说明随着年龄的增长或者一些疾病的干扰,个体的生理机制适应环境能力减弱,从而导致复杂性降低.
何佳毅[2](2021)在《时间序列的结构复杂性及相似性研究》文中进行了进一步梳理传统的时间序列分析往往以线性和平稳性为假设和前提,然而,现实世界中非线性非平稳的时间序列是客观、普遍存在的.现实世界由复杂系统相互制约、相互依赖形成,人们通常难以直接通过表象化的特征获取各复杂系统的潜在原理和运行机制.非线性非平稳的时间序列作为复杂系统信息的重要载体,是了解复杂系统的重要渠道.其中,基于时间序列结构层面的复杂性研究和相似性度量可以为探究复杂系统的内在机制和相互关系提供重要参考,这也是本文的主要研究方向.本文基于概率分布和信息熵理论,以时间序列的动力学结构特征为切入点,提出了q阶样本熵曲线均值(qSampEnAve)、q阶样本熵曲线熵差均值(qSEDiffAve)、全局递归量化分析(GRQA)、动态香农熵(DySEn)、基于交叉置换分布熵的概率密度加权距离(PID)和基于Kronecker-delta算子的改进多维标度法(MDSK)等新的度量指标和方法对时间序列结构层面的复杂性、相似性进行研究,以揭示系统存在的非线性、混沌性、无序性、不确定性等特征,为探索复杂系统的内在机制和演化特征提供重要线索和依据.本文研究内容主要包括以下四个方面:1.本文提出了基于Tsallis熵的q阶样本熵曲线均值(qSampEnAve),并将它用于衡量序列的无序性.该方法考虑了所有可能阈值下的样本熵并以均值作为最终度量指标,比传统样本熵涵盖信息更完整.研究表明,序列越无序,qSampEnAve值越高.在qSampEnAve基础上,我们进一步提出了q阶样本熵曲线熵差均值(qSEDiffAve),通过量化结构化序列与随机序列的信息量差异来衡量序列结构复杂性.研究表明,在该指标下,介于有序和无序中间状态的混沌序列具有较高的结构复杂性,而完全无序的随机序列和完全有序模式下的序列结构复杂性都相对较低.我们应用qSEDiffAve方法对充血性心力衰竭患者(CHF),房颤患者(AF)和健康个体的心跳间隔序列进行分析.结果表明,健康个体的心跳间隔序列具有较高的结构复杂性,而具有随机特征的AF患者的心跳间隔序列和较为规律的CHF患者的心跳间隔序列结构复杂性均较低.2.本文提出了全局递归量化分析(GRQA)的概念,通过量化不同阈值下的递归图(RP)结构信息,可得到各统计量随重现阈值变化的曲线,从而直观地分析比对不同序列的结构差异.传统的递归量化分析(RQA)通常只研究某一确定阈值下的递归结构,阈值的选取直接影响分析结果.GRQA通过考虑所有阈值得到了更全面的结构信息,比传统RQA的单一值结果更可靠,因此本方法也是对传统RQA的重要补充.研究表明,重现率(RR)曲线反应出阈值对递归结构丰富性具有重要影响,尤其对于非周期序列,递归结构丰富程度随阈值变化迅速,进一步表明依赖于单一阈值的传统递归量化分析可能会导致结果存在偏差.基于垂直(水平)结构的层状度(LAM)反应了序列的稳定性,基于对角线结构的确定性曲线(DET)体现了序列的确定性,Rényi熵曲线(RENTR)反应了对角线结构的丰富程度,这些曲线能够从细节上区分不同序列的结构特征变化,这是传统RQA无法实现的.在金融数据的GRQA分析中发现,恒生指数(HSI)同时具有上证综指(SSE)、深圳成指(SZSE)、美国纳斯达克指数(NASDAQ)和美国道琼斯指数(DJI)的动力学结构特征,揭示了中国香港地区金融市场环境的多元化背景.3.本文提出了置换分布熵(PDE)的概念,通过关注重构相空间下各状态向量的波动模式来讨论序列动力学结构特征.PDE方法能够感知复杂时间序列的局部周期变化,周期性越强则PDE值越高.因此,该方法是反应序列结构变化的重要参考指标.在此基础上,我们进一步提出了两个度量来研究时间序列的结构复杂性和相似性:(1)我们根据PDE的特性,结合香农熵提出了动态香农熵(DySEn),我们将该方法与滑动窗口结合后用于异常检测,当DySEn>0.6时即定义为异常区域.研究表明,DySEn方法能够识别出随机序列、混沌序列、周期序列及其混合序列的局部波动变化,且识别能力与异常区域是否肉眼可见无关,与被检测序列是否具有周期性无关,与异常区域是否为周期信号无关.该方法同时具有香农熵和PDE的特点,且即使在这两种方法对异常没有响应的情况下,DySEn依然能够准确识别出异常区域.我们将该方法应用于铁路轨道数据波磨检测,研究证实,DySEn对波磨数据检测具有重要的指导意义.(2)我们提出了基于交叉置换分布熵的概率密度加权距离(PID),通过引入惩罚参数PIPE解决了分布函数对称所引发的熵值计算问题,大大提高了复杂序列间相似性度量的准确性.研究表明,PID方法优于传统的欧式距离以及去趋势交叉相关分析(DCCA),性能稳定,具有抗噪性,并且参数对方法可靠性没有显着影响,是度量复杂时间序列相似性的可靠指标.我们将该方法用于股票数据分析,可得到与实际金融市场环境吻合的聚类结果.4.本文提出了基于KrD距离的改进多维标度法(MDSK).该方法通过定义基于序列结构相似性的新的距离度量KrD来衡量序列间的距离,比传统的欧式距离更适用于复杂时间序列.研究表明,该方法能够更有效地实现对不同复杂序列的聚类,具有抗噪性.该方法在低维空间的呈现效果及拟合优度远超过传统的MDS方法和基于其他常见距离度量或相似性度量的多维标度法.此外,在研究中发现,我们提出的PID方法也能够为多维标度法在非线性复杂时间序列研究领域的拓展提供重要参考.
祁首铭[3](2021)在《不同认知负荷下考虑驾驶人生理特征的行车风险辨识方法》文中指出驾驶安全一直是交通领域研究的热点问题。随着车联网与智能汽车的逐渐发展,车辆的安全性能越来越受到重视,由于目前短时间内很难实现全自动驾驶,必然会出现人机共驾这一混行场景,导致新的交通安全问题。为了提高道路安全水平,需要全面掌握驾驶人的生理特征、驾驶状态从而有效地辨识行车风险,在事故发生前进行有效预警并采取措施避免事故的发生,减少人员的伤亡和财产的损失。深入挖掘驾驶人生理特征进而有效辨识风险,有利于提高行车安全性,也可为完善驾驶辅助系统提供理论依据。本文设计了实车驾驶实验并采集到驾驶人的眼动、脑电特征指标和车辆运行指标数据。在驾驶过程中设计了不同难度的认知负荷任务,通过驾驶人在计算不同难度数学题的过程中产生的不同程度的认知负荷,实现正常驾驶状态与认知负荷任务下驾驶状态的对比。针对驾驶人的视觉特征,主要研究了不同认知负荷作用下驾驶人视觉注视与转移特征。运用熵值法宏观分析驾驶人的视觉注视特征;通过马尔科夫理论构建视线转移一步和二步转移概率矩阵,分析了驾驶人在正常驾驶状态和不同认知负荷下视线转移特征;总结出不同认知负荷作用下视觉与认知注意力之间的竞争关系,从视觉的角度对不同认知负荷下行车安全进行研究。针对驾驶人的脑电特征,将采集得到的脑电信号先经过独立成分分析去除眼电干扰,再采用连续小波变换进行信号分解与重组,得到五个不同频段的脑电信号。对不同驾驶状态下五个频率波段的幅值特征、显着性和信号复杂度进行研究,并通过功率谱密度绘制脑电地形图,研究各频率信号在不同认知负荷作用下脑电图分布规律、事件相关谱扰动和试次间相干指数。对各通道资源占用规律进行总结,从脑电的视角分析了认知负荷对行车安全的影响。基于脑电指标对驾驶人生理特征指数进行量化,通过门控循环单元网络模型对五个脑电指标进行训练,得到驾驶人的注意力指数和放松度指数作为生理特征量化指标。在模型的构建中,对超参数进行初步设定,通过对比不同激活函数、优化器优化算法、初始学习率和隐藏层神经元数目对模型进行优化。选取与所构建模型具有同结构和超参数的长短时记忆网络网络模型、循环神经网络模型以及优化后的随机森林模型进行对比,验证了构建模型的有效性,从而实现基于脑电信号对驾驶人生理特征的量化。最后综合考虑了车辆间的冲突风险和驾驶人自身生理特征诱发的行车风险并进行辨识。在车辆冲突风险的辨识方法中,通过VISSIM的场景校准与二次开发,匹配仿真实验环境与路试试验的交通环境,并利用多车运行数据的结果对智能驾驶人模型进行校准和参数标定,计算得到ITTC,作为车辆冲突风险的辨识指标。在由驾驶人自身生理特征引发的行车风险辨识中,将包括注意力指数、放松度指数、瞳孔直径等在内的六个因素作为风险辨识指标,应用模糊贝叶斯网络方法构建风险辨识模型。同时,论文还建立了针对上述两种类型风险的预警方案,可以有效地提高行车安全性。对行车风险进行有效辨识并预警,及时发现驾驶过程中可能存在的安全隐患,对于降低交通事故数量,提高我国道路交通安全水平,推动车内驾驶辅助系统应用方面具有重要的实践意义。同时研究的成果也可以为交通管理者提供政策和理论支持,对加强驾驶人相关管理具有重要应用价值。
樊宇宙[4](2021)在《EEG数据特征提取及脑卒中发病风险分类预测研究》文中认为脑卒中又称“中风”,是一种常见的脑血管疾病,在我国居民中的发病率呈现逐年上升趋势。其发病快、病程急,在临床上具有高发病率、高致死率及高致残率等特点。脑卒中主要分为出血性及缺血性两种,二者发病机制不同。脑电信号(electroencephalogram,EEG)是脑神经细胞电生理活动的反映,包含人体大量生理信息,脑卒中发病前后EEG数据会呈现显着差异性,不同类型脑卒中其EEG数据也表现出不同特性,因此,基于EEG数据进行脑卒中发病预测是实现脑卒中高效诊断的有效措施。目前临床上依据EEG数据进行脑卒中发病风险预测的诊断主要采取人工判读的方法,极易受临床医生主观判断及已有经验的影响。近年来,随着人工智能技术在智能医学的发展,采用现代信号处理手段对EEG数据进行脑卒中发病预测成为近年研究热点,有助于加快实现脑卒中智慧医疗辅助诊断。已有研究发现,EEG数据是一种具有非线性动力学特征的非平稳时间序列,所以利用非线性动力学方法对EEG数据提取合适的特征,选取有效的分类模型,能够帮助医生迅速诊断患者的脑卒中类型,并及时采取有效治疗措施。为此,本文引入了基于多重分形去趋势波动分析(Multifractal Detrended Fluctuation Analysis,MF-DFA)和熵特征的脑卒中EEG数据特征提取方法,并对比分析了单分类器和集成分类器对提取的EEG特征进行脑卒中发病预测的性能差异,以得到较优的脑卒中分类预测结果。本文主要工作如下:第一:基于多重分形去趋势波动分析MF-DFA的脑卒中EEG数据特征提取研究。首先对脑卒中EEG数据分别求解其广义Hurst指数谱、标度指数谱以及多重分形谱。证明了脑卒中EEG数据具有多重分形特性,并从中提取了四个分形特征:广义Hurst指数谱特征hqmax、多重分形谱特征αmax与α0、标度指数谱特征τqmin。对366例脑卒中患者EEG数据分别提取四个分形特征,采用C4.5单决策树作为预测模型进行脑卒中发病风险分类预测研究,实验结果表明,四个分形特征中,广义Hurst指数hqmax可获得最优的脑卒中分类预测性能。进一步对366例患者8个导联中每个导联提取四个分形特征,依然采用C4.5单决策树进行脑卒中分类预测,实验结果表明,脑卒中患者8个导联中,对C4导联进行特征提取,脑卒中分类预测性能最优。第二:基于EEG数据多特征融合的脑卒中发病风险分类预测研究。首先引入了四种单一熵特征值对两类脑卒中EEG数据进行特征提取,然后引入小波包分层理论,将小波包分解与单一熵特征相结合来提取两类脑卒中EEG数据的四种分层熵特征值。之后将得到的单一熵特征值和分层熵特征值分别与脑卒中多重分形特征值进行融合,建立C4.5单决策树分类预测模型,进行脑卒中发病风险分类预测。实验结果表明,脑卒中EEG数据广义Hurst指数最大值、C4导联四个分形特征和分层模糊熵进行融合时脑卒中发病风险分类预测性能最优。第三:集成极限学习机在脑卒中发病风险分类预测中的应用研究。为了获得更好的脑卒中发病风险分类预测性能,引入了极限学习机预测模型和Adaboost集成分类模型,设计了基于Adaboost的集成决策树分类预测模型和集成极限学习机分类预测模型。将EEG数据单一特征和融合特征作为输入,对比分析了C4.5单决策树、极限学习机以及集成C4.5决策树分类预测模型和集成极限学习机分类预测模型性能差异。实验结果表明:基于脑卒中EEG数据单一特征和融合特征,集成极限学习机得到的脑卒中发病风险分类预测性能最优。
熊荣龙[5](2021)在《认知负荷的生理模式识别》文中认为认知负荷是一种在学习任务状态下施加于认知系统上的心理负荷,适度的认知负荷可以使得学习者的学习效率保持在一个相对最佳的状态,而认知负荷过高则会使得学习者的效率显着降低,长期处于认知负荷不匹配状态会使得学习者放弃继续学习。因此,认知负荷检测对于课堂教学尤其是远程教育中教学质量的提升具有重要意义。心电信号(Electrocardiograph,ECG)和脑电信号(Electroence-phalogram,EEG)作为非侵入性的神经生理测量手段,被广泛用于认知负荷检测,使得远程教育中的认知负荷和学习状态的客观测量成为可能。论文提出基于心电和脑电信号的认知负荷模式识别模型,该模型可以区分静息基线(Base Line,BL)状态与认知负荷(Cognitive Load,CL)状态,并识别认知负荷匹配(Cognitive Load Matching,CLM)或不匹配状态(Cognitive Load Mismatching,CLMM),帮助教学者检测课堂教学中产生的认知负荷以及学习状态,以便及时调整教学策略。具体的研究内容和结果分为以下两个部分:(1)基于公共数据库的数据样本建立认知负荷生理模式识别模型。首先,从20导EEG信号的每个通道中各提取了 6个特征,从ECG信号中提取了 27个特征,对不均衡的数据集使用Borderline-SMOTE1算法对少数样本进行过采样,以保持两类样本量相等;其次,使用序列后向选择算法和粒子群优化算法,从原始的特征集中选出对上述二分类问题具有显着区分效果的特征子集;最后,采用几种常规分类器对上述二分类问题进行分类。所有分类模型通过留一被试法进行验证,验证结果显示:通过结合EEG和ECG的特征,使用支持向量机(Support Vector Machine,SVM)分类器区分静息基线(BL)状态和认知负荷(CL)状态,取得最高94.4%的准确率(灵敏性=96.1%,特异性=92.9%),区分认知负荷匹配(CLM)和不匹配(CLMM)状态,获得最高96.3%的准确度(灵敏性=100%,特异性=90.0%)。(2)建立新的认知负荷生理数据集,检验研究内容(1)中的认知负荷生理建模方法的有效性。首先,通过采集30名普通高校大一至大三学生在高数测验任务下的心电信号和脑电信号,根据操作性定义标定数据样本的CL、BL、CLMM或CLM标签;其次,从128导EEG信号的每个通道中提取了 6个特征,从ECG的心率变异性(Heart Rate Variability,HRV)信号中提取了 27个特征,再使用Borderline-SMOTE1算法对少数样本过采样,并将数据集划分为训练测试集和验证集两部分;然后,在特征维度较高的EEG和ECG结合的数据集上,采用粒子群优化(Particle Swarm Optimization,PSO)和序列后向选择(Sequential Backward Selection,SBS)算法相结合的方法进行特征选择;最后使用选定的特征子集在验证集上进行分类器准确性验证。分类结果显示:通过结合EEG和ECG的特征,使用SVM分类器区分静息基线(BL)状态和认知负荷(CL)状态,取得最高80.9%的验证准确率(灵敏性=71.8%,特异性=90.1%);区分认知负荷匹配(CLM)和不匹配(CLMM)状态,可获得最高66.7%的准确度(灵敏性=56.7%,特异性=76.7%)。上述验证集完全独立于分类器训练和特征选择过程,反映了基于EEG和ECG的认知负荷生理识别模型具有比随机猜测好得多的泛化准确性。论文研究发现:认知负荷状态和静息基线状态具有可区分的神经生理模式;认知负荷匹配和不匹配状态下神经生理模式也是可区分的,但二者的模式识别准确率距离实际应用仍有很大差距。通过机器学习方法来自动判断学习者是否处于学习状态比判断学习任务难度是否适合学习者更难。
王重阳[6](2021)在《神经网络中的临界现象与同步行为研究》文中研究指明现如今,借助数学分析、统计物理(平均场理论、主方程、率方程、生成函数、随机过程等)、复杂网络等基本理论对大脑的研究正处于蓬勃发展的阶段。对神经科学实验研究中出现的临界、同步、去同步、混沌等非线性现象的研究一直是理论研究的热门话题。本论文的研究工作集中于通过统计物理手段解释神经网络中出现的具有不同宏观或微观性质的神经元群体活动所展现的非线性现象的神经机制。在第二章中,我们将近似主方程方法应用于Kinouchi-Copelli神经网络模型中,基于神经元状态和时间的离散性,将神经元按照它们自身的状态和它们邻居神经元中处于不同状态的神经元数目进行分类统计。结合模型的动力学演化过程,导出了不同类的神经元数目或比例的近似主方程。我们详细分析了系统瞬时响应,系统平均响应,动态响应区间以及临界点的位置和性质,这些结果都与模拟结果符合得很好。我们还通过系统瞬时响应时间序列在临界点处具有指数为-1的幂律衰减特征,系统平均响应与外界刺激呈现指数为1/2的幂律关系,以及系统最小响应与分支概率的关系来精确确定临界点的位置。在第三章中,我们研究了由具有短时程突触可塑性的突触耦合的且同时包含兴奋性和抑制性神经元的神经网络中神经元群体活动。通过大量数值模拟,我们发现通过改变突触效能、相对突触效能或外界刺激强度的大小,神经元群体活动出现各种具有不同宏观性质的发放斑图。我们从微观层面对这些群体活动的斑图生成动力学进行了全面的探讨,意外地发现了许多在宏观层面无法观察到的现象。爆发式群体活动中的神经级联过程具有典型的幂律分布的神经雪崩特征,且在完全周期或者局部周期(时间尺度上而言)的同步发放活动中都存在该特征。对于纯发放事件同步的神经元群体活动,类周期相可通过增大突触效能由同步混沌相经历反向倍周期分岔过程得到。我们还发现抑制性神经元在神经元群体活动中扮演着重要角色,它们通过抑制部分或全部突触后神经元的活动以促进不同特性的同步发放行为的产生,增加了神经元群体活动的多样性。在第四章中,我们对同步状态和两类不同的非同步状态神经元群体活动进行了分析,并对两类去同步过程做了相变分析以确定它们的相变类型。通过对神经元群体活动的序参量以及相对应的标准差和四阶Binder累积量的统计,我们发现高发放率情形下神经元群体活动在去同步过程中具有很大的涨落,它们的四阶Binder累积量在相变点处都具有正的极小值,但是这些序参量的统计仍不足以判断它们的相变类型。在兴奋性-抑制性神经网络中,当突触抑制性作用相对于突触兴奋性作用占优时,神经元群体发放活动随突触效能或者相对突触效能变化的去同步相变过程为非连续的,同时可观察到群体活动的迟滞现象。在第五章中,我们研究了噪声对具有不同宏观或微观性质的神经元群体活动的影响。神经网络中噪声的输入能够促进具有不同性质的发放斑图的群体活动之间的转变。在恒定的噪声干扰下,神经元群体同步发放活动具有稳定的类周期性质。在兴奋性-抑制性神经网络,当突触抑制性作用相对于突触兴奋性作用占优时,噪声的输入能够引起神经元群体从非同步状态至同步状态群体发放活动的转变(噪声诱导同步过程)。随着噪声强度进一步增大,神经元群体产生高发放率情形下的非同步群体活动(噪声诱导去同步过程)。通过大量的数值模拟,我们证实了在兴奋性-抑制性神经网络中噪声诱导同步的相变过程为非连续的。在兴奋性神经网络和兴奋性-抑制性神经网络中神经元群体活动在噪声诱导去同步的相变过程的相变点附近具有很大的涨落且在相变点处涨落最大,但是序参量的统计仍然无法证明它们的相变类型。我们期望本论文的研究工作能够深化人们对脑皮层的神经元群体活动中各种非线性现象的神经机制的理解,从而增强人类对大脑认知行为的认识以及促进对脑疾病诊断和治疗手段的创新途径的思考。
刘宏志[7](2020)在《空中交通流量波动动态演化及其非线性分析》文中研究指明随着空中交通的迅猛发展,在可预见的未来,大流量、高密度的航班运行将会成为常态。在可用空域资源增幅缓慢的现实情况下,为确保航班增长、保持安全与服务质量水平,国际组织、各国空中交通管理当局与研究机构提出了各种运行概念和解决方案。虽然这些概念和方案种类繁多,但其本质都是在遵循空中交通动态演化规律与特性的基础上,使用各种技术手段实现空中交通资源在时间和空间上的优化配置,从而达到交通需求与所需资源相匹配的目标。空中交通动态演化规律和运行特性的准确刻画是空中交通系统优化与控制的一个关键问题。然而,空中交通不但会受到时空非均衡交通需求的影响,还会受到天气这一不确定因素的严重影响,致使空中交通的动态演化规律和运行特性很难使用数学模型进行精准描述和刻画。此外,虽然在空中交通系统中绝大多数航班在航路上飞行,但机场的进离场航班才是系统运行的原始驱动力。为此,本研究针对机场空中交通(进离场航班)流量时间序列,采用时间序列分析方法,从空中交通流量波动动态演化、流量波动多尺度多重分形特性和多尺度复杂性的角度,探究流量波动短期演化规律和长期的统计特性,以期为流量波动的仿真建模、预测分析和流量管理措施的制定提供科学的理论基础和分析工具。本论文的主要研究内容包括如下三大部分,详细工作介绍如下:(1)为有效刻画空中交通流量波动的动态演化,针对北京首都机场单日离场航班流量时间序列,使用可视图与水平可视图方法将时间序列映射成复杂网络;采用序模体抽取复杂网络的局部结构以刻画流量波动模式,依据波动模式出现的次序与频次,构造了波动模式的状态转移图,刻画了空中交通流量波动的动态演化轨迹;根据可视线的疏密程度,采用网络社团划分方法,将复杂网络划分为不同的社团(时段);构建序模体剖面刻画时段内的波动特性,量化分析了不同时段间波动特性的差异。本部分研究从波动模式转移和波动特性差异的角度,为流量波动研究提出了一种全新的理论分析工具,为流量短期波动的仿真建模、预测分析以及针对特定波动特性时段定制空中交通流量管理措施提供了科学的分析工具。(2)为探究空中交通流量波动的多尺度多重分形特性,针对北京首都机场2017年整个夏秋航季的离场航班流量时间序列,采用多尺度多重分形分析方法,依据Hurst面的起伏判定该时间序列具有多尺度多重分形特性;辨析了该时间序列中存在的多重分形的类型,明确了该多重分形特性产生的主要原因;提出了多尺度多重分形谱面,分析了参数的设置对于多重分形谱面形状的影响;根据多重分形谱面的形状特征,从多尺度视角考察了该时间序列的分形强度和主导波动类型,发现了主导波动类型发生突变的时间尺度;基于Hurst面间距离,探索了时间序列长度与多尺度多重分形特性刻画近似度之间的关系,进而确定了最小有效长度。本部分研究为理解空中交通流量波动的长期统计自相似特性提供了有益的分析方法,为使用多重分形理论构建流量波动仿真模型,进而预测流量的涨落波动提供了理论基础,也为在不同时间尺度考察流量波动特性,进而制定不同时间尺度下的流量管理策略提供了理论依据。(3)为探究空中交通流量波动的多尺度复杂性,针对中国十大繁忙机场2017年整个夏秋航季的空中交通流量时间序列,采用改进的多尺度排列熵,从单变量视角量化了十大机场的进离场流量波动的多尺度复杂性;提出了改进的多变量多尺度排列熵,从多变量视角量化了十大机场空中交通总体流量波动的复杂性;提出了熵值尖峰概念,并据此将机场进行分类,以表征不同机场之间空中交通流量波动复杂性的相似性;提出了改进的多尺度多变量关联性量化方法,考察了十大机场进离场流量波动之间的多尺度关联性,依据最大值关联性尖峰的位置,识别出主导交通流交替更迭时间尺度。本研究为理解空中交通流量波动的长期统计规律性和不确定性提供了有益的分析方法,为量化空中交通流量波动的预测难度提供了理论基础和有效工具,为评测空中交通流量波动仿真模型提供了有效测度指标。
贾会宾[8](2020)在《孤独症谱系障碍患者脑成像信号的时空间特征分析》文中研究说明孤独症谱系障碍(Autism Spectrum Disorder,ASD)会严重损伤患者的社会与认知功能,因此了解其脑机制极为必要。相比于传统的基于问卷和行为观察的研究手段,基于现代神经影像学的研究技术有望为ASD的脑机制研究和诊断提供更为客观的指标。但是,前人的ASD脑机制研究至少具有如下几点局限性:(1)使用的指标重测信度可能较低;(2)没有综合考虑空域与时域信息;(3)现有方法提供的可能是有偏估计;(4)缺乏各种模态信号之间的相互比较。针对上述几点局限性,本研究使用检测大脑慢速血液动力学信息的f MRI/f NIRS技术以及测量大脑快速电生理活动的EEG技术研究了三个层面的脑活动时空间特征,即单个节点瞬时活动幅值的时间动力学特征、脑功能网络内部各个节点的空间组织模式以及脑功能网络相互转换的时间动力学特征。在探究ASD患者第一个层面脑活动时空间特征(即单个节点瞬时活动幅值的时间动力学特征)时,首先我们考查了用于评估脑区瞬时幅值长程时域相关性的去趋势波动分析(Detrended Fluctuation Analysis,DFA)技术的重测信度(研究一A)。我们发现DFA技术具有中等程度的可靠性。接着,DFA技术被用于考察ASD患者多种模态信号瞬时幅值的时间动力学特征(研究二A、研究三A和研究四A)。对静息态f MRI信号的分析发现,ASD组被试属于默认网络的4个前额叶脑区信号的DFA指数显着低于正常发育(typical developing,TD)组被试。对f NIRS信号的分析发现:(1)ASD组儿童f NIRS信号的DFA指数显着低于TD组儿童;(2)TD组儿童f NIRS信号的DFA指数随着年龄的增长而增长,ASD组儿童f NIRS信号的DFA指数随着年龄的增长而降低;(3)ASD组儿童f NIRS信号的DFA指数与孤独症症状严重程度显着负相关。对静息态EEG信号的分析发现ASD患者默认网络、镜像神经元系统和突显网络相关脑区活动的DFA指数显着更低。上述三种模态信号的分析结果均提示如下结论,即ASD患者的脑活动表现为高度不稳定的、随机的、不规律的特性。在探究ASD患者第二个层面脑活动时空间特征(即各个节点的空间组织模式)时,首先我们考查了空间复杂性分析技术的重测信度(研究一B)。我们发现,可提供无偏估计的、基于标准熵的标准化空间复杂性具有较高重测信度且不低于传统的Omega复杂性。接着,标准化空间复杂性被用于考察ASD患者多种模态信号脑区间的空间组织模式(研究二B、研究三B和研究四B)。对静息态f MRI信号的分析发现:(1)与TD组相比,ASD组被试默认网络空间复杂性显着更高,这提示ASD患者默认网络内部信息沟通异常;(2)与TD组相比,ASD组被试前部内侧前额叶皮层在降低默认网络的空间复杂性上的作用显着更低,这可能导致患者不能有效地进行自我相关信息的加工,并进而影响他们的社会认知和交流能力。对f NIRS信号的分析发现:与TD组相比,ASD组儿童双侧前额叶内部的空间复杂性显着更高、双侧前额叶在降低全脑整体空间复杂性上的作用更低,这表明ASD儿童前额叶内部各个区域间信息沟通不畅且前额叶与大脑其余脑区的联系亦存在异常。对静息态EEG信号的分析发现:ASD患者镜像神经元系统相关脑区在降低脑功能网络空间复杂性上的贡献显着更低,而视知觉相关脑区反而更高,这可能导致ASD组儿童不能有效地加工社会认知信息,并表现出特定的视知觉加工优势。上述三种模态信号的分析结果揭示了如下结论,即ASD患者脑区间空间组织模式异常。在探究ASD患者第三个层面脑活动时空间特征(即脑功能网络相互转换的时间动力学特征)时,我们对静息态EEG数据进行了微状态分析(研究四C)。该研究发现:ASD患者用更少的时间进行语音和自我心理表征相关信息加工、更频繁地进行视觉加工,且大脑腹侧网络激活异常。上述几个研究对脑成像技术重测信度进行了深入考查,并拓展了我们对ASD脑机制的认识。本研究有如下发现:首先,ASD患者的脑活动表现为高度不稳定的、随机的、不规律的特性,且上述异常主要发生在与其症状表现密切相关的脑区。其次,ASD患者症状相关脑区与其他脑区的信息交流效率相对较低、一些在社会信息加工中起重要作用的脑区在ASD患者大脑空间组织中处于较为次要的地位。最后,ASD患者大尺度脑功能网络间相互转换的时间动力学特征异常。
陈婷婷[9](2018)在《动力学系统的非稳态时间关联函数及外部信息驱动力》文中认为近年来,物理学家对复杂动力学系统的研究兴趣日益增加。复杂动力学系统通常可能是非稳态的,或者至少具有非稳态的特征。在动力学系统的稳态(或平衡态)下,动力学行为可以通过动力学变量和动力学涨落的时间和空间关联函数来刻画。然而,在非稳态下,如何表征动力学行为是一个具有挑战性的问题,尤其是在系统的运动方程未知的情况下。在一大类动力学系统中,包括社会、生物和生态系统,如果不考虑非稳态的动力学效应,大多数时间关联函数为零或非常弱。时间和空间关联函数的计算基本上受到非稳态动力学效应的阻碍。因此,本文的主要目的之一是在考虑到非稳态效应的情况下发展计算关联函数的方法,重点是过去的涨落与动力学变量未来运动之间的时间关联函数。外力是导致系统进入非稳态的一大重要因素。众所周知,在物理学中外力在处理开放系统中起着至关重要的作用。开放复杂系统与外部环境的相互作用不应该被忽略。作为开放复杂系统的一个重要例子,金融市场受到外部信息的重大影响。然而,我们对外部信息及其在代理人模型中的控制效应的理解仍然十分有限。另一方面,在实验室中,仅通过内部相互作用来捕捉金融系统的统计特征是相当具有挑战性的。这可能是因为实验被试的数量较少。因此,外部信息在金融系统的实验室研究中显示出非常重要的意义。近几年来,来自人与互联网互动的大量新数据源为我们更好地理解外部信息对复杂金融系统的深远影响提供了可行性。基于公共媒体和股票市场的大规模数据,我们首先定义了一个信息驱动力,并分析它是如何影响复杂金融系统的。作为一个应用,我们提出一个以信息驱动力驱动的代理人模型。本文应用统计物理方法,以历史大数据为基础,关键是发展非稳态动力学时间关联函数的计算方法,以及构建基于外部驱动力的微观多体模型。第1章,我们简单介绍了各类复杂动力学系统的特征,着重从涨落、关联函数、非稳态特征、外力等方面入手。进一步地,我们综述了几类复杂动力学系统,介绍了其近几年的一些新进展。最后我们给出本文的研究动机和研究内容。第2章,我们提出了计算动力学系统在非稳态下的时间关联函数的新颖的方法,该方法和观念可以潜在地应用于各种动力学系统和其它时间-空间关联函数的计算。动力学涨落的自关联在一大类复杂动力学系统中相当强。换言之,即使在大时间尺度内平均的动力学涨落也随着时间显着变化。这种现象实际上是非稳态的一个特征。如果动力学系统处于随时间演化的连续稳态或距稳态不太远,人们仍然可以计算时间和空间关联函数。在考虑非稳态的动力学效应后,我们计算了新的时间关联函数。在各种动力学系统中,例如社会、金融、人类的大脑和大气系统,我们的结果揭示了过去的动力学涨落确实驱动了动力学变量的未来运动。这种非稳态的动力学效应是复杂动力学体系的一个鲁棒的,内在的和重要的特性。第3章,基于公共媒体和股票市场的大规模数据,我们首先定义了一个信息驱动力,并分析它是如何影响复杂金融系统的。我们的结果表明信息驱动力在牛市和熊市中是不对称的。作为一个应用,我们提出一个以信息驱动力驱动的代理人模型。值得注意的是,模型关键参数是从经验数据中计算出来的,而不是人为地通过拟合设定的。我们的模型同时可以模拟稳态和非稳态的动力学性质。考虑到外部信息的平均场效应,我们还提出了一个模拟实验室金融市场的少体模型。第4章,我们对论文的主要结果进行总结,对未来工作做了展望。
傅春[10](2015)在《气液两相流动结构复杂性分析》文中研究表明两相/多相流广泛存在于自然界及石油化工、能源动力、航空航天、生物医药、食品加工等工业过程中。由于其相间的相互作用及随机可变的相界面分布,形成了两相/多相流复杂的非线性、非平稳性特征,以及复杂的时间演化和空间分布特征,使得两相/多相流的研究十分复杂和困难。采用传统的研究、分析方法至今无法准确描述两相/多相流的流型演化机理及动力学特性等问题。两相/多相流的复杂性是其非线性及非稳定性的本质特征,复杂性理论的提出为研究两相/多相流动特性提供了新思路和新途径。课题研究工作以水平管气液两相流为对象,在采集流动过程的平均及局部流场电导阵列传感器测试信号的基础上,分别从混沌特性、系统结构复杂性、多尺度复杂性角度,对两相流的复杂性进行讨论和分析。同时,基于熵测度和非平衡理论构建两相流复杂性模型,研究定量分析两相流复杂性的方法。论文主要研究工作包括:(1)在对气液两相流动过程特性及测试信号特点分析的基础上,对两相流在相空间中的混沌特性及基于0-1混沌测试方法的非相空间中的混沌特性进行了讨论,验证了两相流是一个混沌系统,从而为研究两相流的复杂性提供理论基础。(2)针对气液两相流在频域上的结构复杂性,提出一种基于频带因子和傅里叶功率谱熵的多尺度频谱熵研究两相流的结构复杂性的方法。通过频带因子的滑动,改变信号的分析频率,计算不同频带因子下的功率谱熵,进而分析两相流的频率结构及功率谱随着频带因子的改变发生的变化。通过分析波状流、塞状流和弹状流3种流型的多频带谱熵,发现3种流型的电导波动信号随着频带因子的不同表现出相异的多频带谱熵特征,能有效指示3种流型的结构复杂性变化。多频带谱熵平均值具有较强的流型识别能力,为流型识别提供一种新的准则。(3)针对气液两相流动结构具有多尺度及多样性,提出一种基于粗粒化过程和谱熵结合的多尺度谱熵研究两相流多尺度复杂性的算法,该算法将两相流波动信号中的频率成分从高频到低频逐渐滤除后分析两相流在不同频率尺度上的频率结构或频谱分布的复杂性,并将其用于泡状流、塞状流和弹状流的多尺度复杂性分析。研究发现,3种流型中泡状流频域能量谱结构最复杂,所含频率成分多,频域复杂度高;而塞状流频域结构相对简单,复杂性最低。与两相流的小波能量熵和基于EMD分解的IMF能量熵相比,多尺度谱熵对于具有不同流动动力学特性的两相流型具有更高的识别能力,能够有效分析两相流的复杂性。(4)针对气液两相流流动结构复杂性定量分析方法问题,将熵测度与统计理论相结合,提出基于排列熵和Tsallis熵的两相流复杂性模型,并利用离差加权法修正模型中的非平衡度。以Logistic映射为例验证了两相流复杂性模型用于分析非线性系统复杂性的可行性和有效性;将两相流复杂性模型用于定量分析泡状流、塞状流和弹状流的复杂度,研究结果表明两种复杂性模型都能较好反映两相流的统计复杂度,证明两相流复杂性模型的有效性。通过验证,Tsallis熵复杂性模型在刻画两相流的复杂度时比基于排列熵的复杂性模型具有更高的统计分析能力,更适合用于定量分析两相流的复杂性。因此,基于Tsallis熵的两相流复杂性模型为定量分析两相流特性以及探索两相流动规律提供了一种新途径。
二、涨落复杂性在EEG时间序列分析中的应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、涨落复杂性在EEG时间序列分析中的应用(论文提纲范文)
(1)非线性时间序列的复杂性和因果关系度量及其应用(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景和研究对象 |
1.1.1 时间序列的复杂性 |
1.1.2 时间序列之间的因果关系 |
1.2 本文主要工作 |
2 累积剩余信息分析 |
2.1 基于Tsallis熵的分数阶累积剩余Kullback-Leibler信息 |
2.1.1 方法介绍 |
2.1.2 性质和定理证明 |
2.1.3 金融时间序列分析 |
2.2 累积剩余分布熵 |
2.2.1 方法介绍 |
2.2.2 模拟序列分析 |
2.2.3 心率间隔时间序列分析 |
3 基于EEMD的因果关系分析 |
3.1 方法介绍 |
3.1.1 经验模式分解 |
3.1.2 集成经验模式分解 |
3.1.3 Hilbert-Huang变换 |
3.1.4 相位一致性 |
3.1.5 两个时间序列之间的因果分解 |
3.2 GDP时间序列分析 |
3.2.1 因果分解 |
3.2.2 非线性因果检测 |
4 基于累积直方图的MMSE计算方法分析 |
4.1 方法介绍 |
4.1.1 传统方法计算MMSE |
4.1.2 累积直方图方法计算MMSE |
4.1.3 MMSE的辅助度量 |
4.2 模拟序列分析 |
4.2.1 传统方法和累积直方图方法比较 |
4.2.2 混沌系统分类 |
4.2.3 混合多变量逻辑映射分析 |
4.2.4 二元ARFIMA模型中权重系数对结果的影响 |
4.3 金融时间序列分析 |
5 复杂度-熵因果关系平面 |
5.1 多变量多尺度复杂度-熵因果关系平面 |
5.1.1 方法介绍 |
5.1.2 模拟序列分析 |
5.1.3 金融时间序列分析 |
5.2 基于功率谱熵的扩展复杂度-熵曲线 |
5.2.1 方法介绍 |
5.2.2 模拟数据分析 |
5.2.3 非线性检验 |
5.2.4 睡眠时间序列分析 |
5.3 基于分散Lempel-Ziv复杂度和分散熵平面 |
5.3.1 方法介绍 |
5.3.2 模拟数据分析 |
5.3.3 心率间隔时间序列分析 |
6 总结与展望 |
参考文献 |
附录A |
A.1 当q→0~+和q→∞时,H_q[P]和C_q[P]的极值情况 |
A.2 当r→0~+和r→∞时,H_r[P]和C_r[P]的极值情况 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据 |
(2)时间序列的结构复杂性及相似性研究(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 引言 |
1.1 研究背景与研究对象 |
1.1.1 熵的起源与发展 |
1.1.2 时间序列的结构复杂性 |
1.1.3 时间序列的相似性 |
1.2 本文主要工作 |
2 基于样本熵曲线的时间序列结构复杂性研究 |
2.1 方法介绍 |
2.1.1 传统样本熵方法 |
2.1.2 基于Tsallis熵的样本熵曲线 |
2.2 qSampEnAve方法模拟序列分析 |
2.3 qSEDiffAve方法模拟序列分析 |
2.4 心跳间隔序列实证分析 |
2.5 本章小结 |
3 基于全局递归量化分析的时间序列结构复杂性研究 |
3.1 方法介绍 |
3.1.1 递归量化分析 |
3.1.2 全局递归量化分析 |
3.2 模拟序列分析及参数选择 |
3.2.1 重现率 |
3.2.2 层状度 |
3.2.3 确定性和Rényi熵 |
3.2.4 不同类型序列比对分析 |
3.3 股票数据实证分析 |
3.4 本章小结 |
4 基于置换分布熵的时间序列结构复杂性与相似性研究 |
4.1 方法介绍 |
4.1.1 置换分布熵 |
4.1.2 动态香农熵 |
4.1.3 基于交叉置换分布熵的概率密度加权距离 |
4.2 动态香农熵方法的模拟序列分析 |
4.2.1 非周期序列分析 |
4.2.2 周期性序列分析 |
4.3 工程数据实证分析 |
4.4 PID方法的模拟序列分析 |
4.5 股票数据实证分析 |
4.6 本章小结 |
5 基于改进多维标度法的时间序列相似性研究 |
5.1 方法介绍 |
5.1.1 传统多维标度法 |
5.1.2 基于KrD距离的多维标度法 |
5.2 模拟序列分析 |
5.3 股票数据实证分析 |
5.4 拓展研究 |
5.5 本章小结 |
6 总结与展望 |
参考文献 |
附录 |
作者简历及攻读博士学位期间取得的研究成果 |
学位论文数据集 |
(3)不同认知负荷下考虑驾驶人生理特征的行车风险辨识方法(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题背景及研究的目的和意义 |
1.1.1 课题背景 |
1.1.2 研究的目的和意义 |
1.2 国内外研究现状 |
1.2.1 驾驶人视觉特征 |
1.2.2 驾驶人脑电特征 |
1.2.3 认知负荷与行车风险 |
1.2.4 行车风险辨识方法 |
1.2.5 研究现状综述 |
1.3 研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
第2章 试验设计与数据处理 |
2.1 试验方案 |
2.1.1 试验人员 |
2.1.2 试验设备 |
2.1.3 试验路线 |
2.1.4 试验流程 |
2.1.5 认知负荷试验设计 |
2.2 数据处理 |
2.2.1 车辆运行指标 |
2.2.2 视觉特征指标 |
2.2.3 脑电特征指标 |
2.3 本章小结 |
第3章 不同认知负荷下驾驶人注视与转移特征 |
3.1 注视兴趣区与注视目标划分 |
3.2 基于信息熵的视觉注视特征 |
3.2.1 信息熵计算方法 |
3.2.2 视觉注视特征 |
3.3 基于马尔科夫的视线转移特征 |
3.3.1 马尔科夫视线转移过程 |
3.3.2 不同认知负荷下视线转移特征 |
3.3.3 基于视觉的不同认知负荷对行车安全影响 |
3.4 本章小结 |
第4章 不同认知负荷下驾驶人脑电频谱特征 |
4.1 脑电信号去噪 |
4.1.1 ICA去除眼电干扰 |
4.1.2 连续小波变换下信号分解与重组 |
4.2 不同频率脑电信号时频规律 |
4.2.1 脑电信号幅值特征 |
4.2.2 不同认知负荷下脑电信号显着性分析 |
4.2.3 基于改进多尺度样本熵的脑电信号复杂度分析 |
4.3 不同认知负荷下脑电图分布特征 |
4.3.1 不同频率信号功率谱特征规律 |
4.3.2 不同频率信号脑电地形图分布规律 |
4.3.3 基于脑电的不同认知负荷对行车安全影响 |
4.4 本章小结 |
第5章 基于脑电信号的驾驶人生理特征指数量化 |
5.1 指数量化模型选取 |
5.1.1 循环神经网络模型 |
5.1.2 长短时记忆网络模型 |
5.1.3 门控循环单元网络模型 |
5.2 指数量化模型网络构建 |
5.2.1 指数量化模型网络结构 |
5.2.2 指数量化模型超参数设定 |
5.3 指数量化模型训练 |
5.3.1 不同激活函数对比 |
5.3.2 不同优化算法对比 |
5.3.3 不同初始学习率对比 |
5.3.4 不同隐藏层不同神经元数目对比 |
5.4 指数量化模型有效性验证 |
5.5 本章小结 |
第6章 考虑驾驶人生理特征的行车风险辨识 |
6.1 基于IDM模型的车辆冲突风险辨识 |
6.1.1 VISSIM场景校准与二次开发 |
6.1.2 IDM模型与参数标定 |
6.1.3 车辆冲突风险辨识及阈值 |
6.2 基于模糊贝叶斯的行车风险辨识 |
6.2.1 模糊贝叶斯网络构建及推理 |
6.2.2 车辆运行风险辨识 |
6.2.3 不同认知负荷下行车风险分析 |
6.3 行车风险预警方案 |
6.3.1 方案设计及实施方式 |
6.3.2 预警信号发布规则 |
6.4 本章小结 |
结论 |
参考文献 |
附录 考虑驾驶人生理特征的行车风险评价表 |
攻读博士学位期间发表的论文及其它成果 |
致谢 |
个人简历 |
(4)EEG数据特征提取及脑卒中发病风险分类预测研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 EEG数据研究现状 |
1.2.1 总体研究现状 |
1.2.2 特征提取的研究现状 |
1.2.3 分类预测模型的研究现状 |
1.3 存在的问题 |
1.4 本课题研究内容与论文结构安排 |
1.4.1 本课题研究内容 |
1.4.2 论文结构安排 |
第二章 EEG数据分析的基础理论 |
2.1 脑电信号概述 |
2.1.1 脑电信号的产生与采集 |
2.1.2 脑电信号的特点 |
2.2 EEG数据经典分析法 |
2.2.1 时域分析 |
2.2.2 频域分析 |
2.2.3 时频分析 |
2.3 非线性动力学分析 |
2.3.1 熵特征值 |
2.3.2 多重分形去趋势波动分析 |
2.4 经典分类预测模型 |
2.4.1 决策树 |
2.4.2 极限学习机 |
2.5 本章小结 |
第三章 基于MF-DFA的脑卒中发病风险分类预测研究 |
3.1 MF-DFA原理 |
3.2 实验数据 |
3.3 脑卒中EEG数据的多重分形特性 |
3.3.1 脑卒中EEG数据Hurst指数谱 |
3.3.2 脑卒中EEG数据标度指数谱 |
3.3.3 脑卒中EEG数据多重分形谱 |
3.4 脑卒中EEG数据的分形特征提取 |
3.5 实验方案与流程 |
3.5.1 实验方案 |
3.5.2 实验流程 |
3.6 实验结果及分析 |
3.6.1 评价指标 |
3.6.2 实验结果及分析 |
3.7 本章小结 |
第四章 EEG数据多特征融合的脑卒中发病风险分类预测研究 |
4.1 脑卒中EEG数据分层熵特征值提取 |
4.1.1 分层熵 |
4.1.2 模糊熵 |
4.1.3 分层模糊熵的特征值提取 |
4.2 基于EEG数据多特征融合的脑卒中发病风险分类预测 |
4.3 实验方案与流程 |
4.4 实验结果与分析 |
4.5 本章小结 |
第五章 集成极限学习机在脑卒中发病风险分类预测中的应用 |
5.1 Adaboost算法 |
5.2 基于Adaboost极限学习机的脑卒中发病风险分类预测模型构建 |
5.3 实验结果与分析 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 工作总结 |
6.2 下一步工作展望 |
6.3 本章小结 |
参考文献 |
攻读学位期间取得的研究成果 |
论文受项目资助情况 |
致谢 |
(5)认知负荷的生理模式识别(论文提纲范文)
摘要 |
Abstract |
第一章 引言 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.3 论文研究内容与创新点 |
1.3.1 论文研究内容 |
1.3.2 论文创新点 |
1.4 论文结构安排 |
1.5 本章小结 |
第二章 认知负荷的心理学及生理学基础 |
2.1 认知负荷的心理学基础 |
2.1.1 认知 |
2.1.2 认知负荷 |
2.1.3 认知负荷与工作记忆 |
2.1.4 认知负荷与工作绩效 |
2.2 认知负荷的神经生理基础 |
2.2.1 认知的脑功能分区 |
2.2.2 认知负荷的脑功能特点 |
2.2.3 认知负荷的自主神经功能特点 |
2.3 心电和脑电信号的神经生理信息 |
2.3.1 心电信号基础 |
2.3.2 心电信号的预处理 |
2.3.3 脑电信号基础 |
2.3.4 脑电信号的预处理 |
2.4 本章小结 |
第三章 认知负荷生理数据采集 |
3.1 认知负荷操作性重定义 |
3.2 实验设计 |
3.2.1 实验原理及方法 |
3.2.2 实验范式设计 |
3.2.3 实验设备 |
3.3 实验操作 |
3.3.1 心算实验操作 |
3.3.2 高数计算实验操作 |
3.4 数据集构建 |
3.4.1 心算任务数据集 |
3.4.2 高数计算任务数据集 |
3.4.3 数据预处理 |
3.5 本章小结 |
第四章 认知负荷生理模型构建 |
4.1 特征提取 |
4.1.1 HRV时域特征提取 |
4.1.2 HRV频域特征提取 |
4.1.3 HRV非线性特征提取 |
4.1.4 EEG频域特征提取 |
4.1.5 EEG小波熵特征提取 |
4.2 均衡样本量和特征归一化 |
4.2.1 均衡样本量 |
4.2.2 特征归一化 |
4.3 特征选择 |
4.4 分类器训练 |
4.5 分类器测试和验证 |
4.5.1 心算任务数据集 |
4.5.2 高数计算任务数据集 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
致谢 |
攻读硕士期间已发表的学术论文 |
攻读硕士期间参加的科研项目 |
(6)神经网络中的临界现象与同步行为研究(论文提纲范文)
中文摘要 |
Abstract |
第一章 绪论 |
1.1 神经科学简介 |
1.1.1 神经科学发展历史 |
1.1.2 神经系统的基本元素 |
1.1.3 典型的神经元模型 |
1.1.4 突触模型 |
1.2 复杂网络理论 |
1.2.1 复杂网络发展历史 |
1.2.2 网络的表示与结构参数 |
1.2.3 常见网络模型及其特性 |
1.2.4 度关联性 |
1.2.5 配置模型 |
1.3 本章小节 |
第二章 神经网络中的临界现象 |
2.1 心理物理学 |
2.2 临界现象 |
2.3 Kinouchi-Copelli模型 |
2.4 无关联网络的构建 |
2.5 平均场近似方法 |
2.5.1 一般平均场近似方法 |
2.5.2 异质平均场近似方法 |
2.6 近似主方程方法 |
2.6.1 异步更新情形 |
2.6.2 同步更新情形 |
2.7 临界点 |
3 的情形'>2.8 n > 3 的情形 |
2.9 本章小节 |
第三章 神经网络中的同步现象 |
3.1 神经系统中的同步现象简介 |
3.2 模型和方法 |
3.2.1 神经元模型 |
3.2.2 突触电流 |
3.2.3 数值模拟细节和统计指标 |
3.2.4 抑制性神经元增益函数的推导 |
3.3 宏观的神经元群体活动 |
3.3.1 发放斑图的多样性 |
3.3.2 周期性 |
3.4 微观的斑图生成动力学 |
3.4.1 弱耦合情形下的周期性群体同步发放活动和聚类发放行为 |
3.4.2 具有幂律分布神经雪崩形式的爆发式群体同步行为 |
3.4.3 纯发放事件同步行为 |
3.4.4 规律的同步混沌群体活动 |
3.4.5 非同步群体活动 |
3.4.6 相对突触效能g的影响 |
3.5 强外界刺激对神经元群体活动的影响 |
3.6 本章小节 |
第四章 神经元群体活动中去同步过程的相变分析 |
4.1 神经元群体活动中的去同步现象 |
4.2 模型构建 |
4.3 兴奋性神经网络的宏观群体活动 |
4.4 同步与非同步群体活动 |
4.5 同步指标的修正 |
4.6 同步状态神经元群体活动之间转变过程的相变行为 |
4.7 突触抑制性引发去同步过程的非连续相变和迟滞现象 |
4.7.1 兴奋性-抑制性神经网络中随突触效能A变化时的去同步过程 |
4.7.2 兴奋性-抑制性神经网络中随相对突触效能g变化时的去同步过程 |
4.8 高发放率神经元群体活动中去同步过程的相变行为 |
4.9 本章小节 |
第五章 噪声对神经元群体活动的影响 |
5.1 神经系统中的噪声 |
5.2 模型构建 |
5.3 兴奋性神经网络中神经元群体活动的多样性 |
5.4 噪声促进发放斑图的转化过程 |
5.5 噪声诱导同步相变过程和迟滞现象 |
5.6 噪声诱导去同步相变过程 |
5.7 本章小节 |
第六章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(7)空中交通流量波动动态演化及其非线性分析(论文提纲范文)
致谢 |
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状综述 |
1.2.1 空中交通流动态演化研究综述 |
1.2.2 空中交通时间序列分析研究综述 |
1.2.3 空中交通非线性特性研究综述 |
1.2.4 空中交通复杂性研究综述 |
1.3 论文主要研究内容与技术路线 |
1.3.1 论文主要研究内容 |
1.3.2 技术路线 |
2 空中交通流量波动动态演化研究 |
2.1 所用时间序列数据 |
2.2 可视图与水平可视图方法 |
2.3 空中交通流量时间序列的复杂网络表示 |
2.4 空中交通流量波动模式的动态演化 |
2.5 不同时段流量波动特性的差异分析 |
2.6 本章小结 |
3 空中交通流量波动多尺度多重分形特性研究 |
3.1 所用时间序列数据 |
3.2 多重分形去趋势波动分析与多尺度多重分形分析方法 |
3.3 多重分形谱面的构建 |
3.4 多尺度多重分形特性识别 |
3.5 多尺度多重分形成因判别 |
3.6 多尺度多重分形特性量化分析 |
3.6.1 参数设置对于多重分形谱面形状的影响 |
3.6.2 多重分形强度多尺度变化分析 |
3.6.3 主导波动类型多尺度变化分析 |
3.7 最小有效天数的确定 |
3.8 本章小结 |
4 空中交通流量波动多尺度复杂性研究 |
4.1 所用时间序列数据 |
4.2 改进的(单变量)多尺度排列熵 |
4.3 改进的多变量多尺度排列熵 |
4.4 空中交通流量波动复杂性多尺度依赖判定 |
4.5 进离场流量波动多尺度复杂性对比分析 |
4.6 进离场流量波动多尺度关联性分析 |
4.7 本章小结 |
5 结论与展望 |
5.1 工作总结与主要创新 |
5.1.1 工作总结 |
5.1.2 主要创新 |
5.2 研究展望 |
参考文献 |
作者简历及攻读博士学位期间取得的研究成果 |
位论文数据集 |
(8)孤独症谱系障碍患者脑成像信号的时空间特征分析(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景 |
1.2 孤独症的风险因素 |
1.2.1 遗传因素 |
1.2.2 环境因素 |
1.3 孤独症的脑机制研究现状 |
1.3.1 孤独症传统研究手段的局限性 |
1.3.2 现代脑成像技术概述 |
1.3.3 脑成像信号的传统分析技术 |
1.3.4 基于传统脑成像信号分析技术得出的结论 |
1.4 脑成像信号的时空间特征分析技术 |
1.4.1 长程时域相关性分析 |
1.4.2 空间复杂性分析 |
1.4.3 EEG微状态分析 |
1.5 脑成像技术的信度分析 |
第二章 问题提出 |
2.1 问题提出 |
2.1.1 先前孤独症脑成像研究的局限性 |
2.1.2 本研究探讨的问题 |
2.2 研究框架 |
2.2.1 脑活动时空间特征的三个层面 |
2.2.2 本研究具体框架 |
2.2.3 各个子研究相互关系 |
2.3 研究意义 |
2.3.1 理论意义 |
2.3.2 实践意义 |
第三章 脑成像信号时空间特征分析技术的重测信度分析 |
3.1 研究一A脑成像信号去趋势波动分析技术的重测信度分析 |
3.1.1 研究方案 |
3.1.2 重测信度分析结果 |
3.1.3 讨论 |
3.2 研究一B脑成像信号空间复杂性分析技术的重测信度分析 |
3.2.1 研究方案 |
3.2.2 重测信度分析结果 |
3.2.3 讨论 |
第四章 孤独症患者静息态f MRI信号的时空间特征分析 |
4.1 研究二A孤独症患者静息态f MRI信号的去趋势波动分析 |
4.1.1 研究方案 |
4.1.2 统计分析结果 |
4.1.3 讨论 |
4.2 研究二B孤独症患者静息态f MRI信号的空间复杂性分析 |
4.2.1 研究方案 |
4.2.2 统计分析结果 |
4.2.3 讨论 |
第五章 孤独症患者f NIRS信号的时空间特征分析 |
5.1 研究三A孤独症患者f NIRS信号的去趋势波动分析 |
5.1.1 研究方案 |
5.1.2 统计分析结果 |
5.1.3 讨论 |
5.2 研究三B孤独症患者f NIRS信号的空间复杂性分析 |
5.2.1 研究方案 |
5.2.2 统计分析结果 |
5.2.3 讨论 |
第六章 孤独症患者静息态EEG信号的时空间特征分析 |
6.1 研究四A孤独症患者静息态EEG信号的去趋势波动分析 |
6.1.1 研究方案 |
6.1.2 统计分析结果 |
6.1.3 讨论 |
6.2 研究四B孤独症患者静息态EEG信号的空间复杂性分析 |
6.2.1 研究方案 |
6.2.2 统计分析结果 |
6.2.3 讨论 |
6.3 研究四C孤独症患者静息态EEG信号的微状态分析 |
6.3.1 研究方案 |
6.3.2 统计分析结果 |
6.3.3 讨论 |
第七章 总讨论 |
7.1 时空间特征分析技术的重测信度 |
7.2 ASD患者三个层面脑活动的时空间特征 |
7.2.1 单个节点瞬时波幅的时间动力学特征 |
7.2.2 脑功能网络内部各个节点的空间组织模式 |
7.2.3 脑网络间相互转换的时间动力学特征 |
7.3 对ASD临床研究的启示 |
7.4 创新点 |
7.5 研究不足及展望 |
参考文献 |
攻读博士学位期间的科研成果 |
致谢 |
(9)动力学系统的非稳态时间关联函数及外部信息驱动力(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 复杂动力学系统简介 |
1.2 复杂动力学系统中的涨落 |
1.3 复杂动力学系统中的外力 |
1.4 复杂动力学系统中的非稳态特征 |
1.5 复杂金融系统 |
1.6 若干复杂动力学系统 |
1.7 本章小结 |
2 非稳态动力学系统的时间关联函数 |
2.1 背景与目的 |
2.2 稳态的时间关联函数 |
2.3 非稳态下的时间关联函数 |
2.4 大气和生物动力系统的非稳态关联函数 |
2.5 转移熵分析 |
2.6 多时间尺度下的非稳态时间关联函数 |
2.7 本章小结 |
3 信息驱动力及其在代理人模型中的应用 |
3.1 背景与目的 |
3.2 经验信息驱动力 |
3.3 信息驱动力驱动代理人羊群模型 |
3.4 信息驱动力的平均场效应 |
3.5 本章小结 |
4 结论 |
参考文献 |
附录: 外部信息驱动力的数据及模拟的相关细节 |
发表文章目录 |
(10)气液两相流动结构复杂性分析(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 两相流流型及其复杂性特征 |
1.2.1 水平管气液两相流流型 |
1.2.2 两相流的复杂性特征 |
1.3 系统复杂性的研究现状 |
1.3.1 国外研究现状 |
1.3.2 国内研究现状 |
1.4 两相流复杂性研究现状 |
1.5 气液两相流时间序列的获取与预处理 |
1.5.1 环形电导式传感器阵列 |
1.5.2 气液两相流时间序列的获取 |
1.5.3 两相流时间序列的预处理 |
1.6 论文创新点与主要工作 |
1.6.1 论文创新点 |
1.6.2 本文组织结构 |
第二章 气液两相流的混沌特性分析 |
2.1 引言 |
2.2 混沌相关理论 |
2.2.1 混沌的定义及其主要特征 |
2.2.2 相空间重构 |
2.3 混沌分析的两种经典方法 |
2.3.1 混沌特性的吸引子分析方法 |
2.3.2 混沌特性的Lyapunov指数分析方法 |
2.4 基于相空间的气液两相流混沌特性分析 |
2.5 基于 0-1 混沌测试法的气液两相流混沌特性分析 |
2.5.1 0-1 混沌测试法 |
2.5.2 基于 0-1 混沌测试法的几种典型信号的混沌分析 |
2.5.3 基于 0-1 混沌测试法的气液两相流混沌分析 |
2.6 小结 |
第三章 气液两相流结构复杂性分析 |
3.1 引言 |
3.2 谱熵理论及其表征复杂性的缺陷 |
3.2.1 谱熵算法 |
3.2.2 谱熵在表征复杂性的缺陷 |
3.3 多频带谱熵 |
3.3.1 多频带谱熵算法描述 |
3.3.2 多频带谱熵算法验证 |
3.3.3 多频带谱熵的抗干扰性验证 |
3.4 气液两相流的多频带谱熵分析 |
3.4.1 气液两相流的多频带谱熵分析 |
3.4.2 基于多频带谱熵的气液两相流流型分类 |
3.5 小结 |
第四章 基于多尺度熵的气液两相流复杂性分析 |
4.1 引言 |
4.2 气液两相流的多尺度谱熵分析 |
4.2.1 粗粒化多尺度分析方法 |
4.2.2 多尺度谱熵算法描述 |
4.2.3 多尺度谱熵算法的验证 |
4.2.4 气液两相流的多尺度谱熵分析 |
4.3 气液两相流的小波多尺度能量熵分析 |
4.3.1 小波分析 |
4.3.2 Shannon小波能量熵 |
4.3.3 Shannon小波能熵的仿真分析 |
4.3.4 气液两相流的两种小波能量熵分析 |
4.4 基于EMD分解的气液两相流能量熵分析 |
4.4.1 基于EMD分解的多尺度分析法 |
4.4.2 气液两相流电导波动信号的EMD分解 |
4.4.3 气液两相流IMF能量特征分析 |
4.4.4 气液两相流IMF能量熵分析 |
4.5 三种多尺度熵的比较 |
4.6 小结 |
第五章 气液两相流复杂性模型的研究 |
5.1 引言 |
5.2 统计复杂度理论 |
5.2.1 物理系统统计复杂度 |
5.2.2 气液两相流的统计复杂度 |
5.3 气液两相流复杂性模型 |
5.3.1 基于排列熵的两相流复杂性模型 |
5.3.2 基于Tsallis熵的两相流复杂性模型 |
5.4 两相流复杂性模型在Logistic映射复杂性分析中的应用 |
5.5 两相流复杂性模型的应用 |
5.6 小结 |
第六章 总结与建议 |
6.1 总结 |
6.2 建议 |
参考文献 |
发表论文和参加科研情况说明 |
致谢 |
四、涨落复杂性在EEG时间序列分析中的应用(论文参考文献)
- [1]非线性时间序列的复杂性和因果关系度量及其应用[D]. 毛学耕. 北京交通大学, 2021(02)
- [2]时间序列的结构复杂性及相似性研究[D]. 何佳毅. 北京交通大学, 2021(02)
- [3]不同认知负荷下考虑驾驶人生理特征的行车风险辨识方法[D]. 祁首铭. 哈尔滨工业大学, 2021(02)
- [4]EEG数据特征提取及脑卒中发病风险分类预测研究[D]. 樊宇宙. 太原理工大学, 2021
- [5]认知负荷的生理模式识别[D]. 熊荣龙. 西南大学, 2021(01)
- [6]神经网络中的临界现象与同步行为研究[D]. 王重阳. 兰州大学, 2021
- [7]空中交通流量波动动态演化及其非线性分析[D]. 刘宏志. 北京交通大学, 2020(03)
- [8]孤独症谱系障碍患者脑成像信号的时空间特征分析[D]. 贾会宾. 东南大学, 2020(01)
- [9]动力学系统的非稳态时间关联函数及外部信息驱动力[D]. 陈婷婷. 浙江大学, 2018(03)
- [10]气液两相流动结构复杂性分析[D]. 傅春. 天津大学, 2015(08)