Condition diagnosis with complex network-time series analysis

2011 ◽  
Author(s):  
Jiacheng Pan ◽  
Hongquan Jiang ◽  
Jianmin Gao ◽  
Peilin Yang
Keyword(s):  
Time Series ◽  
Time Series Analysis ◽  
Complex Network ◽  
Series Analysis ◽  
Network Time ◽  
Condition Diagnosis

The application of complex network time series analysis in turbulent heated jets

2014 ◽  
Vol 24 (2) ◽  
pp. 024408 ◽  
Author(s):  
A. Κ. Charakopoulos ◽  
T. E. Karakasidis ◽  
P. N. Papanicolaou ◽  
A. Liakopoulos
Keyword(s):  
Time Series ◽  
Time Series Analysis ◽  
Complex Network ◽  
Series Analysis ◽  
Network Time ◽  
Heated Jets

scholarly journals Ανάλυση και ταυτοποίηση χωροχρονικών φαινομένων με χρήση προχωρημένων μεθόδων ανάλυσης χρονοσειρών

2015 ◽  
Author(s):  
Αβραάμ Χαρακόπουλος
Keyword(s):  
Time Series ◽  
System Identification ◽  
Time Series Analysis ◽  
Early Warning ◽  
Linear Time ◽  
Early Warning Systems ◽  
Warning Systems ◽  
Series Analysis ◽  
Network Time ◽  
Experimental Time Series

Αντικείμενο της παρούσας διατριβής είναι η ανάλυση χρονοσειρών χρησιμοποιώντας μεθοδολογίες κυρίως της μη γραμμικής ανάλυσης χρονοσειρών (non-linear time series analysis) αλλά και της πιο πρόσφατης μεθοδολογίας αυτής των σύνθετων δικτύων χρονοσειρών (complex network time series analysis). Tο κύριο ερευνητικό ερώτημα το οποίο τέθηκε είναι η ταυτοποίηση των περιοχών διαφορετικής δυναμικής συμπεριφοράς των φυσικών χωροχρονικών φαινομένων (spatiotemporal phenomena) δηλαδή συστημάτων που η συμπεριφορά τους εξελίσσεται τόσο στο χρόνο όσο και στο χώρο. Ο βασικός σκοπός της διατριβής είναι, μέσω της ανάλυσης χρονοσειρών η ταυτοποίηση της δυναμικής κατάστασης του συστήματος (system identification), η ανάκτηση της δυναμικής της υποκείμενης διαδικασίας, ο εντοπισμός αντιπροσωπευτικών χρονoχωρικών και άλλων χαρακτηριστικών των υπό μελέτη συστημάτων. Η ανάλυση εφαρμόστηκε τόσο σε πειραματικές χρονοσειρές (experimental time series) όσο και σε χρονοσειρές πεδίου (field time series). Οι πειραματικές χρονοσειρές αφορούν στην μελέτη της τυρβώδους ροής από εκτοξευόμενες φλέβες δεδομένου ότι η τυρβώδης ροή αποτελεί χαρακτηριστικό φαινόμενο μη γραμμικής δυναμικής με χρονικές και χωρικές εξαρτήσεις σε πολλαπλές κλίμακες. Οι χρονοσειρές πεδίου προέρχονται από πλωτά συστήματα μέτρησης (seawatch buoys) του συστήματος Poseidon εγκατεστημένα σε θαλάσσιες περιοχές της Ελλάδος. Επίσης στα πλαίσια της διατριβής εξετάστηκε η ανάλυση χρονοσειρών μέσω μείωσης του αριθμού των δεδομένων με επιλογή μόνο διαδοχικών τιμών μεγίστων-ελαχίστων. Επιπλέον εξετάστηκαν οι χρονικές συσχετίσεις μέσω της συνάρτησης διασυσχέτισης και της αιτιότητας κατά Granger. Η ανάλυση έδειξε ότι η μελέτη χρονοσειρών πειραματικών δεδομένων ή δεδομένων πεδίου με τη χρήση μεθόδων που παρουσιάστηκαν στην παρούσα διατριβή μπορεί να συμβάλλει σημαντικά στην ανίχνευση αλλαγών κατάστασης των υπό μελέτη δυναμικών συστημάτων. Ο συνδυασμός των κλασσικών μεθόδους στατιστικής ανάλυσης με άλλες μεθόδους, όπως η ανάλυση Hjorth, η μέση αμοιβαία πληροφορία και ο εκθέτης Hurst, επιτρέπουν την ανίχνευση διαφορετικών περιοχών δυναμικής συμπεριφοράς, ενώ ταυτόχρονα μας επιτρέπει την εξαγωγή συμπερασμάτων για τη χρονική τους συμπεριφορά και της μεταβολής τους στο χώρο. Επιπρόσθετα, διαφαίνεται η σημαντικότητα και χρησιμότητα της μελέτης χρονοσειρών μέσω της μετατροπής τους σε δίκτυα καθώς διαφαίνεται ότι η δυναμική του συστήματος απεικονίζεται σε σημαντικό βαθμό στο προκύπτον δίκτυο ενώ υπάρχει μεγάλος αριθμός μέτρων ανάλυσης δικτύων τα οποία επιτρέπουν να διακρίνουμε διαφορετικά χαρακτηριστικά της δυναμικής του υπό μελέτη συστήματος. Χρησιμοποιήθηκαν δύο ευρέως διαδεδομένες μέθοδοι μετατροπής χρονοσειρών σε δίκτυα και συγκρίνονται τα αποτελέσματά τους. Επιπρόσθετα, η μελέτη των χρονοσειρών μεγίστων – ελαχίστων επιτρέπει την ταυτοποίηση των διαφορετικών περιοχών δυναμικής το οποίο είναι ιδιαίτερα σημαντικό στις περιπτώσεις που ο όγκος των δεδομένων είναι μεγάλος και σε περιπτώσεις ανάλυσης που πραγματοποιούνται σε σχεδόν πραγματικό χρόνο καθώς θα μειώνει το χρόνο επεξεργασίας και λήψης αποφάσεων. Συνοψίζοντας, καθώς η αναγνώριση της δυναμικής κατάστασης μέσω της ανάλυσης χρονοσειρών συναντιέται σε μία πληθώρα χωροχρονικών φαινόμενων σε διάφορους επιστημονικούς τομείς, οι προτεινόμενες μέθοδοι της διατριβής δύναται να εφαρμοστούν σε ένα ευρύ πεδίο εφαρμογών. Ειδικότερα, τα αποτελέσματα της παρούσας διατριβής μπορούν να αποτελέσουν τη βάση για μελλοντική έρευνα σε πιο πολύπλοκα χωροχρονικά φαινόμενα στην επιστήμη του μηχανικού, ενώ οι μεθοδολογίες μπορούν να ενσωματωθούν σε συστήματα αυτόματης ανίχνευσης αλλαγής καταστάσεων, όπως σε συστήματα προειδοποίησης (early warning systems).

Complex network approaches to nonlinear time series analysis

2019 ◽  
Vol 787 ◽  
pp. 1-97 ◽  
Author(s):  
Yong Zou ◽  
Reik V. Donner ◽  
Norbert Marwan ◽  
Jonathan F. Donges ◽  
Jürgen Kurths
Keyword(s):  
Time Series ◽  
Time Series Analysis ◽  
Complex Network ◽  
Nonlinear Time Series ◽  
Nonlinear Time Series Analysis ◽  
Series Analysis ◽  
Network Approaches
Sign in / Sign up

Export Citation Format

Share Document