导读:本文包含了符号动力学论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:动力学,符号,变换器,自动机,向量,细胞,变异性。
符号动力学论文文献综述
丁闯,张兵志,冯辅周,吴守军[1]（2019）在《符号动力学信息熵参数优化方法研究》一文中研究指出在机械振动信号特征提取中应用符号动力学信息熵具有很好的效果,然而其算法中的嵌入维数和延迟时间等参数严重依赖人为经验确定,成为了符号动力学信息熵工程应用中的瓶颈。根据符号动力学信息熵的算法原理,提出符号动力学信息熵延迟时间和嵌入维数独立确定和联合确定等两种参数确定方法,并使用试验信号对此两种方法进行了检验和对比。结果表明,独立确定延迟时间和嵌入维数方法相比联合确定方法具有更好的效果,为符号动力学信息熵的应用提供了新思路。(本文来源于《噪声与振动控制》期刊2019年04期）
庄媛[2]（2019）在《基于符号动力学的心率变异性情绪识别研究》一文中研究指出情绪是对一系列主观认知经验的通称,是多种感觉、思想和行为综合产生的心理及生理状态。社会竞争的日益激烈和生活节奏的不断加快,使得越来越多的人长期处于紧张状态,承受较大的精神压力,甚至患有抑郁症、躁狂症等心理疾病。情绪具有一定的生理调节作用,在神经科学、心理学、社会科学等领域有着广泛的应用。随着生活水平的提高,人们越来越重视情绪对于个体健康和社会发展的影响。有效的情绪识别能够对当前不良的精神状态进行预警,也有助于心理疾病的治疗。另外,信息技术的飞速发展使得人们对计算机的依赖性越来越大,同时也对人机交互功能的要求越来越高,促进了情感计算的研究与发展。作为情感计算的重要环节,情绪识别在众多领域具有良好的发展前景和应用价值。基于生理信号的情绪识别研究中,特征的提取一般基于时域分析、频域分析和非线性分析。相比于前两种,生理信号的非线性分析不够完善,还有很大的研究空间。本文在此基础上,提出基于符号动力学理论的不同情绪下心电信号分析方法。以心率变异信号为研究对象,提取符号动力学特征,探讨不同情绪下特征的差异性并进行情绪分类。通过与传统特征的识别结果作比较,验证符号动力学分析应用于情绪识别研究的可行性。本文的主要研究内容如下:(1)设计情绪激发实验,通过多通道生理信号采集装置采集60名学生在平静、恐惧、悲伤、高兴、愤怒和厌恶这六种情绪状态下的心电数据。结合中值滤波和平滑滤波,选取sym小波对心电信号进行降噪预处理。通过自适应差分阈值法较为准确地识别了R波,从而获得RR间期时间序列以供后续的特征提取研究。(2)对心率变异性信号进行符号动力学分析。研究了动态法、静态法及庞加莱法叁种符号化方法,选择各方法较优参数将RR间期序列变换为对应的符号序列。计算符号序列的信息熵,作为符号熵特征。对于通过静态法和庞加莱法变换得到的符号序列,分析序列中不同模式的比值,同样作为符号动力学特征。通过提取的14个符号特征,探究了六种情绪状态的差异性。(3)建立情绪分类模型进行一对一情绪识别。提取14个符号动力学特征形成符号特征组矩阵,构建基于支持向量机和随机森林的情绪分类模型,并通过十折交叉验证和网格寻优确定参数,实现一对一情绪状态的识别,最高识别率为74.44%。随后提取了情感生理信号研究中广泛应用的1 1个时域、频域及非线性特征形成传统特征组矩阵,与符号特征融合形成组合特征矩阵,同样构建基于支持向量机和随机森林的情绪分类模型进行一对一情绪识别,组合特征的最高识别率为75.13%。比较不同特征组的识别率,可以看到符号特征在情绪识别中具有一定的优越性。以Gini指数为指标,对不同类型的特征进行了重要性评估,结果表明符号化模式比特征和熵特征用于情绪分类效果较好。(本文来源于《山东大学》期刊2019-05-12）
王燕芬,杨汝,元达鹏[3]（2018）在《基于符号动力学的DC/DC开关变换器“周期3即混沌”证明》一文中研究指出开关变换器与其符号序列拓扑共轭,可将符号动力学用于开关变换器系统的特性研究。对DC/DC开关变换器中的切分岔跟阵发混沌现象进行研究,用符号序列的幂次代表阵发混沌发生的周期间隔,用广义合成律从符号动力学的角度证明"周期3意味着混沌"。从一种崭新的角度出发,基于符号动力学的方法分析DC/DC开关变换器的非线性混沌特征,最后用仿真实验验证切分岔和阵发混沌的产生。(本文来源于《电源学报》期刊2018年01期）
李二林[4]（2017）在《若干记忆细胞自动机的符号动力学性质》一文中研究指出20世纪50年代,John von Neumann提出细胞自动机(Cellular Automata,CA),这是一类时间和空间均离散的动力系统。20世纪80年代,Wolfram提出简化的半径为1,状态数为2的基本细胞自动机(Elementary Cellular Automata,ECA),共256个。在ECA演化过程中,添加记忆函数可形成新的CA规则,即记忆细胞自动机(Cellular Automata with Memory,CAM)规则,这种规则由原始ECA规则和记忆函数共同决定,因此,CAM具有比ECA更加丰富的动力学性质。Wolfram根据ECA的演化模式将256个基本细胞自动机分为同态型(uniform)、周期型(periodic)、混沌型(chaotic)和复杂型(complex),而通过添加不同记忆函数,可实现这四种分类之间的相互转换。Mart′?nez根据ECA添加记忆函数后,ECA演化结果处于Wolfram四大类中的同一类或者转变到另外一类的情况,定性地将CAM分为弱的(weak)、渐弱的(moderate)和强的(strong)这叁类。本文将从符号动力系统角度刻画与分析若干CAM的动力学性质。本文主要内容如下:第一章介绍了CA以及CAM的研究背景及现状。第二章简要罗列了本文所需的有关符号动力系统相关定理,概念等。第叁章采取与Mart′?nez不同的定义初值方式,同样根据ECA添加记忆函数后,ECA演化结果处于Wolfram四大类中的情况,定性地将CAM分为弱的、渐弱的和强的这叁类。第四章将ECA100通过添加记忆函数实现ECA从同态型到周期型的变化,并从符号向量动力系统这个视角讨论了CAM100的动力学性质,具体地,在双边无穷符号序列空间上及周期型边界条件下,CAM100具有两个Bernoulli移位的子系统,并具有丰富且复杂的符号动力学性质,也即,它是拓扑混合的,并且在其子系统上有正的拓扑熵。因此,它既是Li-Yorke意义下混沌的,又是Devaney意义下是混沌的。第五章将ECA10通过添加记忆函数实现ECA从周期型到周期型的变化,具体地,和ECA100在相同的条件下,分别计算了ECA10和CAM10的拓扑熵,发现CAM10的拓扑熵更小,也即,通过添加记忆函数可实现CA的复杂性的降低。最后一章是对全文研究结果的总结和对未来研究的展望。(本文来源于《杭州电子科技大学》期刊2017-11-01）
胥海云[5]（2017）在《记忆细胞自动机与扭转型Smale马蹄的符号动力学研究》一文中研究指出上世纪50年代,John von Neumann在研究机器人自我复制时,提出了一种叫做细胞自动机的数学模型.一类特殊的细胞自动机是由Stephen Wolfram提出的状态数为2、邻域半径为1的基本细胞自动机,共有256个规则.在2003年,Ramon Alonso-Sanz提出了一种带有记忆机制的基本细胞自动机.传统的细胞自动机是无记忆的,即每个细胞在下一时刻的状态只依赖于上一时刻的细胞状态.而记忆细胞自动机,作为细胞自动机的拓展,每个细胞都可以通过记忆函数记住它之前一段时间的细胞状态,而且,对于不同的记忆函数,其表现出的动力学行为往往也是不同.本文从符号动力学角度出发,主要研究了两类记忆细胞自动机的拓扑共轭分类和两者之间的关系,以及带有多数记忆的基本细胞自动机16的动力学性质.随后,本文刻画了扭转型Smale马蹄的动力学行为.具体安排如下:第一章绪论,简要介绍了两类细胞自动机的研究成果,以及符号动力学与细胞自动机及Smale马蹄之间的关系.第二章介绍了本文用到的符号动力系统的一些基本概念.第叁章对两类记忆细胞自动机全局映射进行拓扑共轭分类,并进一步探讨了两类记忆细胞自动机之间的拓扑共轭关系.第四章首先是利用有限型子移位对ECA 16进行讨论,得到ECA16的具有Bernoulli右移位性质的子系统,然后通过转移矩阵分析了ECA 16在子系统上的拓扑混合性、拓扑熵等符号动力学性质.接着以规则16添加多数记忆后的全局映射F_(16)为研究对象,深入地研究了F_(16)~2在不变子系统上的动力学性质,得到F_(16)在Li-Yorke意义下是混沌的,在不变子系统上是拓扑混合的,从而在Devaney意义下是混沌的.第五章通过符号序列空间的移位映射刻画了符号动力系统的一个应用——Smale马蹄模型.最后,第六章对全文作了扼要总结,并提出了进一步的研究展望.(本文来源于《杭州电子科技大学》期刊2017-11-01）
辛怡,赵一璋,母远慧[6]（2017）在《基于Poincaré散点图和符号动力学的心电分析方法》一文中研究指出心率变异性(hear trate variability,HRV)可以用于进行心脏相关疾病的预测、预防和预后评价等.结合心电散点图和符号动力学的方法,从ECG信号中提取HRV序列,绘制心电散点图,并对散点图中散点进行分区编号编码.计算不同编码的出现概率进而计算整个序列信息熵.以该熵值作为心电特征用于识别和分类.实验得到窦性心律和房颤心律的分类正确率为86.67%,窦性心律与伴有失常心律的早搏分类正确率为90%.证明该方法能有效分类窦性心律与失常心律.(本文来源于《北京理工大学学报》期刊2017年10期）
杨宝旺[7]（2018）在《采用符号动力学方法检测低速率拒绝服务攻击》一文中研究指出针对低速率拒绝服务攻击引起的网络安全问题,提出采用符号动力学方法对其进行检测,通过将采样得到的数据包数量信号转化为对应的符号序列,并计算符号序列的熵值,发现低速率拒绝服务攻击具有令数据包数量信号信息复杂度激增的特点,从而能够结合预先设定的熵阈值进行比较识别.分别在仿真环境和实际测试服务器上进行了算法验证,实验结果表明,文中所提算法对低速率拒绝服务攻击辨识平均准确度超过92%.(本文来源于《西安电子科技大学学报》期刊2018年01期）
王燕芬[8]（2017）在《基于符号动力学的DC-DC开关变换器的稳定性分析》一文中研究指出开关电源是现代电力电器和电子设备的心脏和动力,一般的电源,如直接从市电或电池吸取的原生态电能,在某种意义上来说是一种质量较差的“粗电”,这些“粗电”必须经过转换才能成为满足于设备要求的“精电”,开关电源就是把市电的“粗电”转换为直流电压稳定的“精电”的一种电源设备。开关电源的核心是DC-DC开关变换器。DC-DC开关变换器是电力电子的一个重要分支,也是构建许多其他类型功率变换器的基本组成部分,以其作为研究对象将对功率变换器的其他拓扑结构起到直接的指导作用。在所有电力电子电路中,非线性现象的主要来源是开关元件。非线性元件(例如,功率二极管)和控制方法(例如,脉冲宽度调制)是非线性的进一步来源。因此,反馈控制的功率变换器经常表现出各种类型的非线性现象,包括分叉、共存吸引子和混沌现象等。如果要设计稳定、可靠的功率变换器,对这些非线性现象存在的可能性的理解以及如何研究它们、使用它们或避免它们是至关重要的。近几十年来,随着非线性动力学理论的发展和完善,相关成果为DC-DC开关变换器这类复杂系统的分析和研究提供了新的思路。符号动力系统是形式上最简单的一种动力学系统,它是实际动力学系统的一种高度概括和抽象,本文将符号动力学方法应用在DC-DC开关变换器的稳定性分析,把动力系统的非线性行为用简单的符号序列方法表示出来,研究了混沌产生的机理、混沌现象以及混沌控制方法。本文主要的研究成果有:(1)基于*合成律,以电感电流连续运行模式(CCM)Boost变换器为例分析DC-DC开关变换器从倍周期分岔走向混沌的过程中出现的分岔自相似性。此外,利用*合成律还可以迅速找到周期符号序列的分布,有利于分析复合序列的功率谱的精细结构,对深入了解DC-DC开关变换器周期解的全局分布具有重要的意义。(2)基于合成律,分别以一阶和二阶模型的Boost变换器为研究对象,对其切分岔跟阵发混沌现象进行研究,用符号序列的幂次代表阵发混沌发生的周期间隔,用广义合成律首次证明Boost变换系统中存在周期3,则存在任意周期n轨道,证明过程简单易懂。(3)从解的几何结构出发,用不变流形理论和马蹄映射研究DC-DC开关变换器的混沌产生的机理,以及证明动力系统中状态变量的映射关系与符号序列的移位拓扑共轭,因此,符号动力学可用于DC-DC开关变换器。此外,基于Smale马蹄映射意味着初始条件的敏感性,稳定与不稳定流形横截相交是判断动力系统有无混沌解的重要依据之一。(4)将用参数微扰控制(OGY法)对混沌态Boost变换器进行混沌控制,利用混沌系统对初值敏感性和混沌的遍历性,选择一个易调节的参数进行微小扰动,实现对目标周期轨道的控制。除了按照OGY的基本原理,将混沌态的Boost变换器控制在不稳定1周期轨道上,还研究了反馈控制矢量在1周期轨道的取值范围外取值时,使受控后的Boost变换器的稳定在不同的周期轨道,实现多周期控制的目的。(本文来源于《广州大学》期刊2017-05-01）
张华,曾文韬,鄢威[9]（2017）在《基于符号动力学信息熵与SVM的液压泵故障诊断》一文中研究指出针对泵车液压泵早期故障特征信号微弱、故障特征难以提取的问题,提出了一种基于符号动力学信息熵与支持向量机(support vector machine,简称SVM)的泵车液压泵故障诊断方法。分别模拟了液压泵9种故障状态,测取了各状态下多测点的振动信号样本值。利用时间序列的符号动力学信息熵,计算各振动信号的符号动力学信息熵Hk,确定了各状态下相应的信息熵特征向量。建立了不同状态特征向量训练集,再结合支持向量机对液压泵故障模式进行诊断与识别,测试结果准确率为98.71%。将该方法与改进的BP(back propagation,简称BP)神经网络诊断结果进行了对比,结果表明该方法的识别率更高,诊断时间更短,适用于现场液压泵故障的在线诊断。(本文来源于《振动.测试与诊断》期刊2017年02期）
杨汝,王燕芬,冯锦澎[10]（2016）在《基于符号动力学的倒锯齿映射混沌检测机理研究》一文中研究指出以混沌系统的参数敏感性和初值敏感性为基础,倒锯齿映射为模型,按照符号动力学原理,建立符号序列空间,计算待测初值和零点的轨道空间距离求得待测值.令恒流源对电容进行充放电,分析设计具体的混沌检测电路,成功地将倒锯齿映射应用到混沌微弱信号检测上.(本文来源于《广州大学学报(自然科学版)》期刊2016年06期）
符号动力学论文开题报告
（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：
情绪是对一系列主观认知经验的通称,是多种感觉、思想和行为综合产生的心理及生理状态。社会竞争的日益激烈和生活节奏的不断加快,使得越来越多的人长期处于紧张状态,承受较大的精神压力,甚至患有抑郁症、躁狂症等心理疾病。情绪具有一定的生理调节作用,在神经科学、心理学、社会科学等领域有着广泛的应用。随着生活水平的提高,人们越来越重视情绪对于个体健康和社会发展的影响。有效的情绪识别能够对当前不良的精神状态进行预警,也有助于心理疾病的治疗。另外,信息技术的飞速发展使得人们对计算机的依赖性越来越大,同时也对人机交互功能的要求越来越高,促进了情感计算的研究与发展。作为情感计算的重要环节,情绪识别在众多领域具有良好的发展前景和应用价值。基于生理信号的情绪识别研究中,特征的提取一般基于时域分析、频域分析和非线性分析。相比于前两种,生理信号的非线性分析不够完善,还有很大的研究空间。本文在此基础上,提出基于符号动力学理论的不同情绪下心电信号分析方法。以心率变异信号为研究对象,提取符号动力学特征,探讨不同情绪下特征的差异性并进行情绪分类。通过与传统特征的识别结果作比较,验证符号动力学分析应用于情绪识别研究的可行性。本文的主要研究内容如下:(1)设计情绪激发实验,通过多通道生理信号采集装置采集60名学生在平静、恐惧、悲伤、高兴、愤怒和厌恶这六种情绪状态下的心电数据。结合中值滤波和平滑滤波,选取sym小波对心电信号进行降噪预处理。通过自适应差分阈值法较为准确地识别了R波,从而获得RR间期时间序列以供后续的特征提取研究。(2)对心率变异性信号进行符号动力学分析。研究了动态法、静态法及庞加莱法叁种符号化方法,选择各方法较优参数将RR间期序列变换为对应的符号序列。计算符号序列的信息熵,作为符号熵特征。对于通过静态法和庞加莱法变换得到的符号序列,分析序列中不同模式的比值,同样作为符号动力学特征。通过提取的14个符号特征,探究了六种情绪状态的差异性。(3)建立情绪分类模型进行一对一情绪识别。提取14个符号动力学特征形成符号特征组矩阵,构建基于支持向量机和随机森林的情绪分类模型,并通过十折交叉验证和网格寻优确定参数,实现一对一情绪状态的识别,最高识别率为74.44%。随后提取了情感生理信号研究中广泛应用的1 1个时域、频域及非线性特征形成传统特征组矩阵,与符号特征融合形成组合特征矩阵,同样构建基于支持向量机和随机森林的情绪分类模型进行一对一情绪识别,组合特征的最高识别率为75.13%。比较不同特征组的识别率,可以看到符号特征在情绪识别中具有一定的优越性。以Gini指数为指标,对不同类型的特征进行了重要性评估,结果表明符号化模式比特征和熵特征用于情绪分类效果较好。
（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。
符号动力学论文参考文献
[1].丁闯,张兵志,冯辅周,吴守军.符号动力学信息熵参数优化方法研究[J].噪声与振动控制.2019
[2].庄媛.基于符号动力学的心率变异性情绪识别研究[D].山东大学.2019
[3].王燕芬,杨汝,元达鹏.基于符号动力学的DC/DC开关变换器“周期3即混沌”证明[J].电源学报.2018
[4].李二林.若干记忆细胞自动机的符号动力学性质[D].杭州电子科技大学.2017
[5].胥海云.记忆细胞自动机与扭转型Smale马蹄的符号动力学研究[D].杭州电子科技大学.2017
[6].辛怡,赵一璋,母远慧.基于Poincaré散点图和符号动力学的心电分析方法[J].北京理工大学学报.2017
[7].杨宝旺.采用符号动力学方法检测低速率拒绝服务攻击[J].西安电子科技大学学报.2018
[8].王燕芬.基于符号动力学的DC-DC开关变换器的稳定性分析[D].广州大学.2017
[9].张华,曾文韬,鄢威.基于符号动力学信息熵与SVM的液压泵故障诊断[J].振动.测试与诊断.2017
[10].杨汝,王燕芬,冯锦澎.基于符号动力学的倒锯齿映射混沌检测机理研究[J].广州大学学报(自然科学版).2016
论文知识图
