去趨勢波動分析和赫斯特指数

快捷方式: 差异，相似，杰卡德相似系数，参考。

去趨勢波動分析和赫斯特指数之间的区别

去趨勢波動分析 vs. 赫斯特指数

在随机过程， 混沌理论和时间序列分析中， 去趋势波动分析（英文：Detrended Fluctuation Analysis, DFA）是一种判断信号的统计自相似性质的方法。 它可以用于分析类似长记忆过程的时间序列（以发散的相关时间为特征，例如幂率衰减的自相关函数）或1/f噪音。 所获得的指数类似于Hurst指数，但去趋势波动分析还可以应用于非平稳信号，即信号的统计量（例如平均值和方差）或动态是不固定的（随时间变化）。 它与基于谱分析的方法有关，如自相关函数和傅里叶变换。 Peng等人于1994年发表论文提出了这种方法，至2013年该论文已获超过2000次引用。这种方法是（一般性）波动分析的拓展，特别用于处理非平稳信号。. 赫斯特指数（Hurst exponent）以英国水文学家命名，起初被用来分析水库与河流之间的进出流量，后来被广泛用于各行各业的分形分析。利用Hurst参数可以表征网络流量的自相似性，Hurst参数越大，说明流量的自相似程度就越高，也就是说网络的业务流量在很长的时间内都具有长相关性，这主要是由于网络流量的突发性造成的。现有的文献给出的估计方法主要是两大类：时域法和频域法，其中时域法包括R/S分析法、时间方差图法、IDC法，频域法包括Whittle的最大似然估计、小波法等。常用的Hurst估值算法都有不同的适用条件，不能广泛的应用于各种情况，因为每一种算法在时域或者是频域的范围内应用了求和平均的方法，这样就会使得时间序列的高突发可变的细节信息丢失，从而导致出估算结果为负值，增大了估计误差。.

最小二乘法

最小二乘法（又称--）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。 利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。 “最小平方法”是對過度確定系統，即其中存在比未知數更多的方程組，以迴歸分析求得近似解的標準方法。在這整個解決方案中，最小平方法演算為每一方程式的結果中，將殘差平方和的總和最小化。 最重要的應用是在曲線擬合上。最小平方所涵義的最佳擬合，即殘差（殘差為：觀測值與模型提供的擬合值之間的差距）平方總和的最小化。當問題在自變量（x變量）有重大不確定性時，那麼使用簡易迴歸和最小平方法會發生問題；在這種情況下，須另外考慮變量-誤差-擬合模型所需的方法，而不是最小平方法。 最小平方問題分為兩種：線性或普通的最小平方法，和非線性的最小平方法，取決於在所有未知數中的殘差是否為線性。線性的最小平方問題發生在統計迴歸分析中；它有一個封閉形式的解決方案。非線性的問題通常經由迭代細緻化來解決；在每次迭代中，系統由線性近似，因此在這兩種情況下核心演算是相同的。 最小平方法所得出的多項式，即以擬合曲線的函數來描述自變量與預計應變量的變異數關係。 當觀測值來自指數族且滿足輕度條件時，最小平方估計和最大似然估计是相同的。最小平方法也能從動差法得出。 以下討論大多是以線性函數形式來表示，但對於更廣泛的函數族，最小平方法也是有效和實用的。此外，迭代地將局部的二次近似應用於或然性（藉由費雪信息），最小平方法可用於擬合廣義線性模型。 其它依據平方距離的目標加總函數作為逼近函數的主題，請參見最小平方法（函數近似）。 最小平方法通常歸功於高斯（Carl Friedrich Gauss，1795），但最小平方法是由阿德里安-马里·勒让德（Adrien-Marie Legendre）首先發表的。.

去趨勢波動分析和最小二乘法 · 最小二乘法和赫斯特指数 · 查看更多 »