基于复杂网络与混合模型的非线性时间序列分析方法研究

In recent years with the method to transform a time series into a complex network, a natural bridge between complex networks theory and nonlinear time series analysis has now been built. The nonlinear time series analysis method based on complex network has become an important research focus. The project intends to improve the proximity networks algorithm and the horizontal visibility graph algorithm ,reducing the impact of the parameters on the constructed complex network. Based on the spatial topology structure of the constructed complex network from a time series, the nonlinear dynamic feature extraction method is proposed. To improve the single models’ generalization capability and to solve the single models’ overfitting problem, based on the spatial information of the constructed complex network from a time series, based on the finite mixture models with multiple models having better generalization capability, we will propose the nonlinear time series prediction methods based on the complex network and mixture models, which improve the models’ generalization capability and reduce the single models’ complexity. Based on the complex network statistical measures, the feature extraction method for EEG signals will be proposed, based on the finite mixture models and the sparse representation, the classification method for epilepsy EEG signals will be proposed, which improve the accuracy of the seizure detection. The project construct the platform for the nonlinear time series analysis methods based on complex network, mixture models and its application. The project research results are important for the study on the nonlinear time series analysis methods based on complex network and the nonlinear dynamical analyse of EEG signals.

近年来把时间序列构造为复杂网络的方法在非线性时间序列分析与复杂网络之间架起了桥梁，基于复杂网络的非线性时间序列分析方法成为一个重要的研究热点。本项目拟改进相似网络构造法与水平可视图复杂网络构造法，降低参数对所构造的复杂网络的影响；提出基于复杂网络空间拓扑结构的非线性动力学特征提取方法；针对单个模型泛化推广能力差和存在过拟合等问题，利用构造的复杂网络的空间信息，根据采用多个模型的有限混合模型具有较好的泛化推广能力，提出基于复杂网络与有限混合模型的非线性时间序列预测方法，提高模型泛化推广能力并降低个体模型复杂度；提出基于复杂网络统计量的脑电信号特征提取方法，提出基于有限混合模型与稀疏表示的癫痫脑电信号分类方法，提高癫痫自动检测精度；构建基于复杂网络与混合模型的非线性时间序列分析方法及应用平台。本项目研究成果在基于复杂网络的非线性时间序列分析方法研究与脑电信号非线性动力学分析方面都具有重要意义。

近年来把时间序列构造为复杂网络的方法在非线性时间序列分析与复杂网络之间架起了桥梁，基于复杂网络的非线性时间序列分析方法成为一个重要的研究热点。本项目组研究了基于加权水平可视图的非线性时间序列分析方法，以时域统计特征作为节点，提出了以节点差值为权重的加权水平可视图方法；提出了以节点斜率和角度为权重的加权水平可视图方法，提取平均权重、度中心度、权重分布熵为特征；考虑到复杂网络节点间的连接方向，提出了双向加权水平可视图。研究了基于加权水平可视图与有限穿越水平可视图的蛋白质三级结构预测方法。本项目组研究了基于转移网络的非线性时间序列分析方法，提出了改进节点构造方法的转移网络，提取节点分布的数学期望作为分类特征，并应用于脑电信号的特征提取；提出了基于改进边权重方法的转移网络，提取网络度和与局部结构熵和作为分类特征，结合分类器实现对脑电信号多种分类任务的分析。提出了深度柔性神经森林模型，该模型是柔性神经树集成模型，解决了柔性神经树模型不能直接处理多分类问题和模型深度增加导致参数优化算法高成本的问题，并应用于癌症亚型分类问题中；提出了用于融合多组学数据进行癌症亚型分类的层级融合深度柔性神经森林框架。研究了基于多重进化信息的蛋白质亚细胞定位预测方法，基于蛋白质的位置特异性得分矩阵和一致序列，提取了新的基于进化信息的特征，并结合有效的降维方法，分别实现单位点蛋白质和多位点蛋白质的亚细胞定位预测。本项目研究成果在基于复杂网络的非线性时间序列分析方法研究与脑电信号非线性动力学分析方面都具有重要意义。