This book provides a thorough review of a class of powerful algorithms for the numerical analysis of complex time series data which were obtained from dynamical systems. These algorithms are based on the concept of state space representations of the underlying dynamics, as introduced by nonlinear dynamics. In particular, current algorithms for state space reconstruction, correlation dimension estimation, testing for determinism and surrogate data testing are presented — algorithms which have been playing a central role in the investigation of deterministic chaos and related phenomena since 1980. Special emphasis is given to the much-disputed issue whether these algorithms can be successfully employed for the analysis of the human electroencephalogram.
ترجمه فارسی (ترجمه ماشینی)
این کتاب یک بررسی کامل از یک کلاس از الگوریتمهای قدرتمند برای تحلیل عددی دادههای سری زمانی پیچیده که از سیستمهای دینامیکی بهدست آمدهاند، ارائه میکند. این الگوریتمها مبتنی بر مفهوم نمایش فضای حالت دینامیک زیربنایی هستند که توسط دینامیک غیرخطی معرفی شدهاند. به طور خاص، الگوریتمهای فعلی برای بازسازی فضای حالت، تخمین ابعاد همبستگی، آزمایش برای جبرگرایی و آزمایش دادههای جایگزین ارائه شدهاند – الگوریتمهایی که از سال 1980 نقش اصلی را در بررسی آشوب قطعی و پدیدههای مرتبط ایفا کردهاند. تاکید ویژه به این موضوع بسیار مورد بحث است که آیا این الگوریتمها میتوانند با موفقیت برای تجزیه و تحلیل الکتروانسفالوگرام انسانی مورد استفاده قرار گیرند یا خیر.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.