将时间序列转成图像——递归图方法 Matlab实现

目录

1 方法

2 Matlab代码实现

3 结果

---

【若觉文章质量良好且有用，请别忘了点赞收藏加关注，这将是我继续分享的动力，万分感谢！】

其他：

1. 时间序列转二维图像方法及其应用研究综述_vm-1215的博客-CSDN博客

2.将时间序列转成图像——格拉姆角场方法 Matlab实现_vm-1215的博客-CSDN博客

3.将时间序列转成图像——马尔可夫转移场方法 Matlab实现_vm-1215的博客-CSDN博客

4.将时间序列转成图像——图形差分场方法 Matlab实现_vm-1215的博客-CSDN博客

5.将时间序列转成图像——相对位置矩阵方法 Matlab实现_vm-1215的博客-CSDN博客

1 方法

递归图(Recurrence Plots, RP)是由Eckmann等人[14]在1995年提出的，用来使动态系统的递归特性可视化。

将递归图应用在时间序列上，首先将时间序列的时域空间变换到相空间，从而将时域中的每个点$x_i$变换成相空间的对应状态$\overrightarrow{S_{i}}$；接着计算每两个状态（向量）之间的距离（向量范数）；然后进行阈值二值化，得到递归图中对应两个状态之间的特征。

递归图可用一系列递归矩阵来表示，如下式所示：

$R_{i, j}(\epsilon)=\Theta\left(\epsilon-\left\|\overrightarrow{s_{l}}-\overrightarrow{s_{j}}\right\|\right), i, j=1, \ldots, N$

其中$R_{i,j}$是一个$N\times N$的方阵，$\|\cdot\|$示向量范，$\epsilon$为距离阈值使得$R_{i,j} \in\{0,1\}$，$\Theta(\cdot)$表示Heaviside函数。

其算法流程如下：

1. 由时间序列得到相空间状态集；
2. 计算每两个状态之间的距离（向量范数）；
3. 进行阈值二值化，得到递归图矩阵。

2 Matlab代码实现

clc
clear
close all
 
%% 生成数据
speed = xlsread('3_1_link1_1_5_30min.csv');
 
X = speed';
X = (X - min(X)) / (max(X) - min(X));
N = length(X);
 
%% 原始数据图
im = figure(1);
plot(X)
title('the original time series');
saveas(im,'原始数据图.bmp')
 
%% 生成RP
% 转换为相空间，第一个元素为高度，第二个元素为下一个位置的高度。
S = [X(1:end-1)',X(2:end)'];
 
% 参数设置
% etheta = 0;
 
for i = 1:N - 1
    for j = 1:N-1
%         R(i,j) = theta(etheta - sum((S(i,:) - S(j,:)) .^2));
        R(i,j) = sum((S(i,:) - S(j,:)) .^2);
    end
end
R = (R - min(min(R)))/(max(max(R)) - min(min(R)))* 4;
 
h = figure(2);
imagesc(R)
title('imaging time series of RP')
saveas(h,'RP_1.bmp')

3 结果

【若觉文章质量良好且有用，请别忘了点赞收藏加关注，这将是我继续分享的动力，万分感谢！】