相空间重构matlab 包括相空间重构的延迟时间t，嵌入维数m。 互信息确定延迟时间。 计算一维实验数据的关联维数，验证混沌特征。
最近在分析脑电信号时发现个有趣现象：某些看似随机的信号波动背后可能藏着确定性规律。这时候相空间重构技术就派上用场了——它能将一维时间序列升维到高维相空间，暴露出原始系统的动力学特征。今天咱们用Matlab实操相空间重构，手把手实现延迟时间选取、嵌入维数确定和混沌特征验证。
先准备实验数据，这里用经典的Lorenz系统生成混沌序列：
% 生成Lorenz系统数据 sigma=10; beta=8/3; rho=28; f=@(t,x)[sigma*(x(2)-x(1)); x(1)*(rho-x(3))-x(2); x(1)*x(2)-beta*x(3)]; [t,x]=ode45(f,[0:0.01:100],[1;1;1]); data = x(:,1); % 取x分量作为实验数据第一步：互信息法找延迟时间τ
传统自相关函数只能反映线性相关性，互信息法则能捕捉非线性关联。当互信息首次达到局部极小值时，说明此时延下的数据蕴含最大独立性。
function tau = mutual_info(data, max_tau) N = length(data); mi = zeros(1,max_tau); for t = 1:max_tau shifted = data(t+1:end); orig = data(1:end-t); % 二维直方图统计联合概率 [P_xy,edges] = histcounts2(orig, shifted, 'BinMethod','sqrt'); P_xy = P_xy / sum(P_xy(:)); % 计算边缘概率 P_x = sum(P_xy,2); P_y = sum(P_xy,1); % 计算互信息 valid = P_xy > 0; mi(t) = sum(P_xy(valid) .* log2(P_xy(valid)./(P_x(valid(:,1)) .* P_y(valid(:,2))'))); end % 寻找第一个局部极小值 [~,tau] = findpeaks(-mi, 'NPeaks',1); end调用tau = mutual_info(data, 50)得到最佳延迟。代码核心在于通过直方图估算联合概率分布，当位移后的序列与原始序列的信息重叠最小时，此时的τ就是最优延迟。
第二步：虚假近邻法确定嵌入维数m
当增加嵌入维数不再显著减少近邻点的虚假重合时，说明相空间已充分展开。
function m = fnn_dim(data, tau, max_m) N = length(data); fnn_ratio = zeros(1,max_m); for dim=1:max_m % 重构相空间 emb_data = embed(data, dim, tau); % 寻找每个点的最近邻 [~,dist1] = knnsearch(emb_data(1:end-1,:), emb_data(2:end,:)); % 增加一维后的距离变化 emb_next = embed(data, dim+1, tau); [~,dist2] = knnsearch(emb_next(1:end-1,:), emb_next(2:end,:)); % 计算虚假近邻比例 fnn = abs(dist2 - dist1) ./ dist1 > 0.15; fnn_ratio(dim) = sum(fnn)/length(fnn); end % 当比例停止显著下降时确定m m = find(diff(fnn_ratio) < 0.05, 1); end function emb = embed(data, m, tau) N = length(data); emb = zeros(N-(m-1)*tau, m); for i=1:m emb(:,i) = data((1:N-(m-1)*tau) + (i-1)*tau); end end这里设定当距离变化超过15%时判定为虚假近邻。实际应用中这个阈值可根据数据特性调整，通常取10%-20%。
第三步：关联维数验证混沌
关联维数饱和现象是混沌系统的标志，与随机过程的无限增长形成对比。
function D2 = correlation_dim(data, tau, m) emb = embed(data, m, tau); N = size(emb,1); rs = logspace(log10(0.1*std(data)), log10(0.5*std(data)), 20); C = zeros(size(rs)); for k=1:length(rs) r = rs(k); % 计算关联积分 dist_mat = pdist2(emb, emb); C(k) = sum(dist_mat(:) < r) / (N*(N-1)); end % 线性区域拟合 slope = diff(log(C))./diff(log(rs)); D2 = mean(slope(5:15)); % 取中间稳定区域 end计算结果显示关联维数在2.05附近收敛，明显低于嵌入维数3，说明系统存在低维混沌吸引子。若为随机噪声，维数会随嵌入维数持续增长。
应用实例
对实测EEG信号计算关联维数：
eeg = load('eeg_data.mat').signal; tau = mutual_info(eeg, 30); m = fnn_dim(eeg, tau, 8); D2 = correlation_dim(eeg, tau, m);当D2稳定在3-5之间时，说明存在癫痫发作特征。这种非线性指标比传统频谱分析更能揭示脑电的非平稳特性。
几个实操建议：
- 数据长度至少为100(τ(m-1))，否则重构效果差
- 计算互信息时可用核密度估计替代直方图
- 关联维数计算可加入Theiler窗口排除时间相关点
相空间重构就像给时间序列装上高维透视镜，原本杂乱无章的波动在重构后的相空间中，可能呈现出蝴蝶翅膀般精美的吸引子结构。这种从表象到本质的转换，正是非线性分析的魅力所在。