基于多重分形降趋势交叉相关性分析的多领域应用研究

发布时间：2021-11-23 11:46

　　现代科学已成为数据密集型学科。因此,用于数据管理,数据共享和发现新颖数据集的创新解决方案的需求与日俱增。大数据时代,时序数据在各行各业的重要性渐渐凸显。通常时序数据具有非平稳的特点,常见的相关性分析方法难以刻画。多重分形降趋势交叉相关性分析（Multi-Fractal De-trended Fluctuation CrossCorrelation Analysis,MF-DCCA）方法却能够很好的刻画两个非平稳时间序列之间的非线性波动相关性。本文在药物研发、产业工人、股票市场领域做了以下研究:在药物研发领域,本文率先使用假性时间序列和MF-DCCA方法研究了药物分子性质与水溶性之间的非线性交叉相关性。实验结果表明,药物分子的分子量和水溶性之间具有较弱的长程交叉相关性;其他药物分子性质和水溶性之间具有较弱的幂律交叉相关性;滑动窗口宽度对时变赫斯特指数的鲁棒性较强。这项工作可以为深度学习药物分子性质预测的多尺度特征输入任务,提供一种新的特征选择方法。在产业工人领域,本文通过网络大数据和MF-DCCA方法的结合对产业工人队伍的研究文献和网络搜索做了调研。对产业工人队伍相关的文献基金资助、文献... 

【文章来源】：四川师范大学四川省

【文章页数】：83 页

【学位级别】：硕士

【部分图文】：

图2.1分形现象近年来，越来越多的学者将物理学等学科中的方法和理论应用到了金融系统

四川师范大学硕士学位论文主要研究方法6MF-DFA在金融市场应用较为广泛，如：股票市尝黄金市尝外汇市场等。DCCA方法、MF-DCCA方法、DCCA系数法[3,20,25]也有较为广泛的应用。2.2多重分形降趋势交叉相关性分析现实生活中，大量的分析案例都是多重分形综合分析的情况。为了有效的考察两个非平稳时间序列之间的多重分形特征，基于MF-DFA和DCCA方法，Zhou[20]等人提出了多重分形降趋势交叉相关分析（MultifractalDe-trendedFluctuationCross-CorrelationAnalysis,MF-DCCA）方法。MF-DCCA算法步骤如图2.1所示：图2.1算法基本流程MF-DCCA如图2.1，首先a.假设两个等长的时间序列tx和ty，其中，t1,N，N表示时间序列的长度；b.基于这两个时间序列，构造新的时间序列tX和tY，其中，x和y表示两个时间序列的平均值：

喙匦浴Ｗ詈笫北涞慕徊嫦喙匦约煅榱舜翱诳?度对赫斯特指数的鲁棒性。3.1引言深度学习的再一次兴起为药物研发提供了便捷的实验坏境，克服了客观因素制约的困难。学术界在药物性质预测方面也取得了较大的成功[8-10]。但是随着神经网络层数的增加，预测精度显著提升，而神经网络内部的组织机理却无法合理解释[11]。在多尺度输入的神经网络任务中，可能包含了较多的冗余信息，如何降低数据维度而不影响神经网络的预测性能，成为一个重要的研究课题。本章从非线性角度出发，探究神经网络输入端和输出端之间的交叉相关性，如图3.1所示。图3.1深度学习黑匣子图的隐藏层，以递归神经网络（RNN）为例本章旨在基于假性时间序列和广泛用于深度学习（DeepLearning,DL）的Delaney-processed数据集，利用MF-DCCA方法考察药物分子性质与水溶性之间的交叉相关性。这是基于经验首次尝试使用MF-DCCA来研究药物分子性质和水溶性之间的交叉相关性。实验中，首先通过交叉统计量方法验证药物分子性质和水溶性之间是否存在多重分形特征；然后通过MF-DCCA方法定量考察了药物分子性质和水溶性之间的多重分形交叉特征；最后滑动窗口方法用于检验时变交叉相关性，并验证了滑动窗口宽度对Hurst指数的鲁棒性。通过MF-DCCA方法，旨在找到一种降低数据维度而不影响神经网络预测性能的特征筛选方法。本章的组织结构如图3.2所示。

【参考文献】：
期刊论文
[1]基于文献调研的中国自然保护地社区保护冲突类型及热点研究[J]. 王应临,张玉钧.  风景园林. 2019(11)
[2]计算机操作系统网络关注度与市场份额相关性分析——以百度指数作为关注度的一项网络计量研究[J]. 谷丽,安书乐,任立强,阎慰椿.  科学与管理. 2015(04)



本文编号：3513814