Implementación en Matlab del coeficiente de autocorrelación retardada de series temporales

sigma = 10; parámetros de la ecuación de Lorentz

r = 28

b =

y; = [-1;0;1]; punto de partida (vector de columna 3x1)

h = 0,01; paso de tiempo de integración

k1 = 10000 primera vez Número de puntos de iteración

k2 = 5000; Número de puntos en la segunda iteración

z = LorenzData(y, h, k1 k2, sigma, r, b

x =); z(k1 1: end, 1); serie de tiempo (vector de columna)

x = normalize_(x); serie de tiempo (vector de columna 3x1)

x = normalize_(x) ; serie de tiempo (vector de columna 3x1)

x = normalize_(x); serie de tiempo (vector de columna 3x1)1(x); normalización

data=x'; debe ser un vector de fila

-------------------------------- ------ -----------------

disp('---------- Algoritmo GP para encontrar la dimensión de correlación ------- ---');

tau = 14; retardo de tiempo

m = 3; dimensión de incrustación

logdelt = 0,2 ;

ln_r = [-7: logdelt: 0];

delt = exp(ln_r);

para k=1.length(ln_r)

r= delt(k);

C(k)=correlation_internal(m, data, r, tau) La variable de salida es la integral de correlación

k

if (C(k)lt; 0.0001)

C(k)= 0.0001

fin

ln_C(k)= log(C(k) );lnC(r)

end

C

subplot(211)

plot(ln_r, ln_C, ':') ; cuadrícula;

xlabel('ln r'); ylabel('ln C(r)');

espera

subplot(212)

Y = diff(ln_C)./logdelt;

plot(Y,':');

xlabel( 'n'); ('pendiente');

espera;

--------------------- ------ ------------ ------------------

Ajustar zona lineal

ln_Cr =ln_C;

ln_r=ln_r;

LinearZone = [10:25];

F = polifit(ln_r(LinearZone),ln_Cr(LinearZ

uno), 1);

Dimensión de correlación = F(1)