×
阿里亚斯·隆多尼奥（Arias-Londoño），朱利安·D·。；胡安·戈迪诺·洛伦特。

Markov模型的熵作为嵌入吸引子的复杂性度量。 （英语） Zbl 1343.62045号

熵 17，第6号，3595-3620（2015）.

MSC公司：

62亿02 马尔可夫过程：假设检验

软件：

物理工具包；PMTK公司
PDF格式BibTeX公司 XML格式引用
\textit{J.D.Arias-Londoño}和textit{J.I.Godino-Llorente}，熵17，No.6，3595-3620（2015；Zbl 1343.62045）
全文： DOI程序 arXiv公司

参考文献：

[1] Kantz，非线性时间序列分析（2004）
[2] 高，生物信号分析的熵测量，非线性动力学。第68页，431页–（2012年）·Zbl 1254.92053号 ·doi:10.1007/s11071-011-0281-2
[3] Yan，近似熵作为机器健康监测的诊断工具，机械。系统。信号处理21第824页–（2007年）·doi:10.1016/j.ymssp.2006.02.009
[4] 地球系统复杂性的平衡、统计力学和信息论观点，熵15，第4844页–（2013）·Zbl 1335.86011号 ·doi:10.3390/e15114844
[5] 平卡斯，作为系统复杂性度量的近似熵，Proc。国家。阿卡德。科学。第88页第2297页–（1991年）·Zbl 0756.60103号 ·doi:10.1073/pnas.88.6.2297
[6] Abarbanel，观测混沌数据分析（1996）·Zbl 0890.93006号
[7] Milnor，关于吸引子的概念，Commum。数学。物理学。99第177页–（1985）·Zbl 0595.58028号 ·doi:10.1007/BF01212280
[8] Giovanni，《声音信号最大Lyapunov指数的测定：在单侧喉麻痹中的应用》，J.Voice。第13页第341页–（1999年）·doi:10.1016/S0892-1997（99）80040-X
[9] Serletis，噪声对从时间序列估计Lyapunov指数的影响，混沌解分形32 pp 883–（2007）·doi:10.1016/j.chaos.2005.11.048
[10] Arias-Londoño，使用复杂性测量、噪声参数和倒谱系数自动检测病理嗓音，IEEE Trans。生物识别。工程58第370页–（2011）·doi:10.1109/TBME.2010.2089052
[11] Richman，《使用近似熵和样本熵进行生理时间序列分析》，美国生理学杂志。心脏循环生理学。278页H2039–（2000）
[12] Chen，使用FuzzyEn、ApEn和SampEn测量复杂性，医学工程物理。第31页，第61页–（2009年）·doi:10.1016/j.medengphy.2008.04.005
[14] Cappé，《隐藏Markon模型中的推断》（2007）
[15] Ozertem，局部定义的主曲线和曲面，J.Mach。学习。第12号决议第241页–（2011年）·Zbl 1280.62071号
[16] Hastie，Principal curves，《美国法律总汇》第84卷第502页（1989年）·doi:10.1080/01621459.1989.10478797
[17] 封面，信息理论要素（2006年）·Zbl 1140.94001号
[18] Takens，检测湍流中的奇怪吸引子，非线性优化898，第366页–（1981）·兹比尔0513.58032
[19] Alligood，CHAOS：动力系统导论（1996）·Zbl 0867.58043号
[20] 科斯塔，生物信号的多尺度熵分析，物理学。版本E.71 pp 021906–（2005）·doi:10.1103/PhysRevE.71.021906
[21] Rezek，生理信号分析的随机复杂性度量，IEEE Trans。生物识别。工程45第1186页–（1998）·doi:10.10109/10.709563
[22] Woodcock，使用高斯核基于Renyi熵率的新度量（2006）
[23] Murphy，机器学习的概率观点（2012）·Zbl 1295.68003号
[24] 弗雷泽，隐马尔可夫模型和动力系统（2008）·Zbl 1156.62065号
[25] Ephraim，隐马尔可夫过程，IEEE Trans。Inf.Theory 48第1518页–（2002）·兹比尔1061.94560 ·doi:10.1109/TIT.2002.1003838
[26] Ragwitz，通过延迟嵌入空间中的简单非线性时间序列预测器从数据中建立马尔可夫模型，Phys。版本E.65第1页–（2002年）·doi:10.1103/PhysRevE.65.056201
[27] 过程检测的可跟踪性和鲁棒性理论操作http://www.ists.dartmouth.edu/library/206.pdf
[28] Rabiner，语音识别中隐藏马尔可夫模型和选定应用的教程，Proc。电气与电子工程师协会。77第257页–（1989）·数字对象标识代码：10.1109/5.18626
[29] 嗓音障碍数据库，1.03版[CD-ROM]（1994）
[30] 杜达，模式分类（2000）
[31] Ghassabeh，关于子空间约束均值漂移的一些收敛性质，模式识别。第46页，共3140页–（2013年）·Zbl 1326.68216号 ·doi:10.1016/j.patcog.2013.04.014
[32] Comaniciu，Mean Shift:一种稳健的特征空间分析方法，IEEE Trans。模式分析。机器。智力。第24页，第603页–（2002年）·doi:10.1109/34.1000236
[33] Erdogmus，使用Renyi熵和Parzen窗估计的线性信道自适应盲反褶积，IEEE Trans。信号处理52第1489页–（2004）·Zbl 1369.94464号 ·doi:10.1109/TSP.2004.827202
[34] http://projecteuclid.org/euclid.bsmsp/1200512181
[35] Andrzejak，脑电活动时间序列中非线性确定性和有限维结构的指示：对记录区域和脑状态的依赖，Phys。Rev.E.第061907页–（2001）·doi:10.103/物理版本E.64.061907
[36] Parsa，使用声门噪声测量识别病理性声音，J.言语语言。听力。第43号决议第469页–（2000年）·doi:10.1044/jslhr.4302.469
[37] Goldberger、PhysioBank、Physio Toolkit和PhysioNet:复杂生理信号新研究资源的组成部分，循环101 pp e215–（2000）·doi:10.1161/01.CIR.101.23.e215
[39] Viertiö-Oja，Datex-Ohmeda S/5熵模块中应用的熵算法描述，麻醉学报。扫描。第48页，154页–（2004年）·doi:10.1111/j.001-5172.2004-00322.x
[40] Kaffashi，《时间延迟对近似和样本熵计算的影响》，Physica D.237第3069页–（2008）·Zbl 1153.37445号 ·doi:10.1016/j.physd.2008.06.005
[41] Cao，确定标量时间序列最小嵌入维数的实用方法，Physica D.110第43页–（1997）·Zbl 0925.62385号 ·doi:10.1016/S0167-2789（97）00118-8
[42] Morabito，阿尔茨海默病脑电图复杂性分析的多元多尺度排列熵，熵14，第1186页–（2012）·Zbl 1314.92042号 ·doi:10.3390/e14071186
[43] Aboy，在生物医学信号分析背景下解释Lempel-Ziv复杂性度量，IEEE Trans。生物识别。工程53第2282页–（2006）·doi:10.1109/TBME.2006.883696
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。