非平稳信号间的交叉相关性与信息转移及其应用

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    61304145
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    23.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    F0302.控制系统与应用
  • 结题年份:
    2016
  • 批准年份:
    2013
  • 项目状态:
    已结题
  • 起止时间:
    2014-01-01 至2016-12-31

项目摘要

The interactions and mutual effects of nonstantionary signals are bottlenecks and difficulties of investigating complex system. Based on time series analysis theories, signal processing technique, and entropy theory, this project aims to unveil the inner mechanism of cross-correlations and information transfer between nonstationary signals, explore the effect of trends on cross-correlations of signals and information transfer, construct systematic models and optimal algorithms to calculate the cross-correlation scaling exponents and directions of information transfer, and strive to have new breakthrough in both theories and methodologies. Moreover, we try to apply it to predict traffic states, which lay a sound theoretical foundation for establishing advanced intelligent transportation systems, and also have important academic value and practical significance to improve traffic management and solve worsening traffic problems. We then try to employ it to biostatistics, discussing the synchronicity of EEG under different sleep states and sleep state transitions, and analyzing the effect of age and disease on synchronicities between EEG frequency bands, which is of great importance to deeply understand the inner mechanism of brain activities, and assist medical diagnosis and clinic treatment.
非平稳信号间的相互作用是研究复杂系统的瓶颈和难点。本项目基于时间序列分析理论、信号处理技术、熵理论,旨在揭示非平稳信号间交叉相关性及信息转移的内在机理,探讨趋势和数据缺失对信号的交叉相关性及信息转移的影响,建立系统化的模型和优化算法以计算交叉相关标度指数及信息转移方向,力求在理论与方法上有新的突破。并且,尝试在交通状态预报方面加以应用,为建立先进的智能化交通系统奠定坚实的理论基础,对提高交通管理水平以及解决日益恶化的交通问题具有重要的学术价值和现实意义。最后,尝试将其应用到生物统计方面,探讨人处于不同睡眠状态和睡眠状态转换时脑电波的同步性及信息转移,分析年龄与疾病对脑电波各频率带间同步性及信息转移的影响,对于深入了解大脑活动的内在机理,并辅助进行医学诊断及临床治疗有重要意义。

结项摘要

本项目依照研究计划,旨在解决非平稳信号的自相关性及非平稳信号之间的交互作用问题。基于时间序列分析、数据统计分析及熵理论,本项目建立了系统化的模型与算法以度量非平稳信号的自相关性、非平稳信号间的交叉相关性及信息转移,并在金融、交通和生理等方面加以应用,具有重要的理论意义及现实意义。本项目的研究达到了主要的预期目标,主要研究成果包括以下几个方面:(1)非平稳信号的自相关性研究。运用DFA方法研究了信号的自相关性,并分析了指数趋势对自相关性的影响;建立了多尺度多重分形DFA模型,量化了信号的多尺度多重分形波动特征,并研究了基于累积概率密度函数的多重分形统计特征;研究了多尺度DFA方法的非对称性。(2)非平稳信号间的交叉相关性研究。提出了多尺度多重分形除趋势交叉相关分析模型,结合主成分分析方法研究了信号间的交叉相关性及多尺度距离;针对非平稳性序列,结合DCCA方法,提出了多维序列的非平稳主成分分析模型;提出了带权重的多重分形除趋势交叉相关模型。(3)非平稳信号间的信息转移问题研究。提出了交叉置换熵、权重交叉置换熵及有效相位转移熵等理论方法计算非平稳信号间的信息转移。(4)相关性、交叉相关性及信息转移理论模型在金融、交通及生理中的应用。

项目成果

期刊论文数量(17)
专著数量(0)
科研奖励数量(0)
会议论文数量(0)
专利数量(0)
Plasticity of brain wave network interactions and evolution across physiologic states.
脑电波网络相互作用的可塑性和跨生理状态的进化
  • DOI:
    10.3389/fncir.2015.00062
  • 发表时间:
    2015
  • 期刊:
    Frontiers in neural circuits
  • 影响因子:
    3.5
  • 作者:
    Liu KK;Bartsch RP;Lin A;Mantegna RN;Ivanov PCh
  • 通讯作者:
    Ivanov PCh
Universal and non-universal properties of recurrence intervals of rare events
罕见事件的复发间隔的普遍性和非普遍性
  • DOI:
    10.1016/j.physa.2015.12.082
  • 发表时间:
    2016-04
  • 期刊:
    Physica A: Statistical Mechanics and its Applications
  • 影响因子:
    --
  • 作者:
    Xiaojun Zhao;Pengjian Shang;Aijing Lin
  • 通讯作者:
    Aijing Lin
The coupling analysis of stock market indices based on cross-permutation entropy
基于交叉排列熵的股市指数耦合分析
  • DOI:
    10.1007/s11071-014-1823-1
  • 发表时间:
    2014-11
  • 期刊:
    Nonlinear Dynamics
  • 影响因子:
    5.6
  • 作者:
    Shi, Wenbin;Shang, Pengjian;Lin, Aijing
  • 通讯作者:
    Lin, Aijing
Weighted multifractal cross-correlation analysis based on Shannon entropy
基于香农熵的加权多重分形互相关分析
  • DOI:
    10.1016/j.cnsns.2015.06.029
  • 发表时间:
    2015-07
  • 期刊:
    Communications in Nonlinear Science and Numerical Simulation
  • 影响因子:
    3.9
  • 作者:
    Xiong, Hui;Shang, Pengjian
  • 通讯作者:
    Shang, Pengjian
Asymmetric multiscale detrended fluctuation analysis of California electricity spot price
加州电力现货价格的非对称多尺度去趋势波动分析
  • DOI:
    10.1016/j.physa.2015.08.056
  • 发表时间:
    2016-01-15
  • 期刊:
    PHYSICA A-STATISTICAL MECHANICS AND ITS APPLICATIONS
  • 影响因子:
    3.3
  • 作者:
    Fan, Qingju
  • 通讯作者:
    Fan, Qingju

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

林艾静的其他基金

非平稳序列间的偏交叉相关性与偏信息转移及其应用
  • 批准号:
    61673005
  • 批准年份:
    2016
  • 资助金额:
    49.0 万元
  • 项目类别:
    面上项目

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码