[发明专利]一种基于确定学习和时空LZ复杂度的动态特征提取方法

权利要求书

1.一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于，所述方法包括以下步骤：

(1)系统内在动态的学习：采用径向基神经网络，沿被测量系的状态轨迹对系统动态进行学习训练，所述学习训练采用基于Lyapunov的学习方法并根据确定学习理论，实现径向基神经网络的权值收敛和径向基神经网络对系统当前状态的内部动态逼近；

(2)获取动力学轨迹：将步骤(1)中径向基神经网络权值收敛后的一段时间内各权值的均值作为学习结果进行保存，组成系统的动力学轨迹；

(3)建立时空LZ复杂度：使用常规的Lempel-Ziv复杂度算法，对系统产生的数据序列提取到的复杂度定义为时间LZ复杂度，对系统数据序列的方向导数提取到的复杂度定义为空间LZ复杂度，其中方向导数数据序列反映了系统动力学轨迹在空间上的变化速率；

(4)动态特征提取：利用步骤(3)中的时空LZ复杂度，对步骤(2)中得到的系统动力学轨迹进行复杂度特征提取，得到系统每一个状态上时间LZ复杂度指标和空间LZ复杂度指标，然后通过均方根值，得到有效的系统时空LZ复杂度，从而在时间域和空间域上对非线性系统进行动态特征提取。

2.根据权利要求1所述的一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于：步骤(1)中对系统当前状态的内部动态逼近有两种情况，一种是当系统轨迹的径向基神经网络的神经元满足持续激励条件，其权值收敛到最优值，沿系统轨迹的内部动态进行逼近；另一种是远离系统轨迹的内部动态，其径向基神经网络的神经元不受激励，其权值基本为零，因而系统轨迹的内部动态不被逼近。

3.根据权利要求1所述的一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于：步骤(2)中所述系统的动力学轨迹是通过确定学习理论对系统的内在动态进行准确建模，将系统的状态轨迹带入到建模结果中得到的，并取步骤(1)中径向基神经网络权值收敛一段时间后的平均值作为系统内在动态的径向基神经网络权值。

4.根据权利要求1所述的一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于：步骤(3)中所述时空LZ复杂度反映了一个数据序列随着序列长度的增加出现新模式的速率，能够定量分析复杂数据序列的有序性，复杂度值越大代表越复杂、无序、不规则的动态系统，复杂度值越小代表动态系统越规则、有序。

5.根据权利要求1所述的一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于：步骤(3)中所述时空LZ复杂度包含时间LZ复杂度和空间LZ复杂度两个指标,是指在时间域和空间域上对非线性系统的动力学轨迹进行复杂度特征提取，对系统的当前状态进行复杂度表征。

6.根据权利要求1所述的一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于：步骤(3)中所述的时间LZ复杂度是经过常规Lempel-Ziv算法得到的，空间LZ复杂度是对系统产生的数据进行一次变换，得到方向导数数据序列，然后使用Lempel-Ziv算法得到的。

7.根据权利要求1所述的一种基于确定学习和时空LZ复杂度的非线性系统动态特征提取方法，其特征在于：步骤(4)中所述动态特征提取是对经过确定学习算法得到的系统动力学轨迹，使用时空LZ复杂度算法，计算得到其时间LZ复杂度和空间LZ复杂度，在时间和空间上表征出系统当前的复杂程度。