基于Python自相关法时间序列的时间延迟计算

基于Python自相关法时间序列的时间延迟计算，用matlab程序翻译成python并修改调试成功，很辛苦的额。 用于混沌系统、故障诊断等的相空间重构中的时间延迟计算。

# -*- coding: utf-8 -*-
import numpy as np
import matplotlib.pyplot as plt
import random
import matplotlib as mpl
import warnings

#混沌时间序列分析源程序

#时间序列的时间延迟计算
def autocorrelation（datatau_max）:
    “““#data:输入的时间序列
    #tau_max:最大时间延迟
    #Tau:返回所求时间序列的时间延迟“““
    N=len（data）
    #时间序列长度
    x_mean=np.mean（data）
    #时间序列的平均值
    data=data-x_mean
    SSd=np.dot（datadata）
    R_xx=np.zeros（（1tau_max））[0]#=zeros（1tau_max）
    
    #自相关函数初始化
    for tau in range（0tau_max）:#1:tau_max
    #计算自相关函数
            for ii in range（0N-tau）:#1:N-tau
                #print（tauiiii+tauN）
                R_xx[tau] = R_xx[tau]+data[ii]*data[ii+tau]#
            R_xx[tau]=R_xx[tau]/SSd
    ##end
    #print（len（R_xx））
    print（R_xx）
    #print（np.arange（1tau_max+1））
    plt.plot（np.arange（1tau_max+1）R_xx） #plot（1:tau_maxR_xx）;
    #plt.show（）##hold on
    #作自相关函数图
    plt.plot（[1tau_max][00]）#line（[1tau_max][00]）
    plt.title（‘自相关法求时间延迟‘）
    plt.ylabel（‘自相关函数‘）
    plt.xlabel（‘时间延迟‘） ;plt.show（）#
    Tau=0
    #求时间序列的时间延迟
    R_tau = list（map（lambda x:x>=0R_xx））
    #print（R_tau）
    jj = 0;R_jj =R_tau[0] 
    while jj < tau_max:
        jj = jj+1
        if R_jj!=R_tau[jj]:
            break
    tau = jj
    #print（‘tau jj:‘tau）
    if abs（R_xx[jj-1]）>abs（R_xx[jj]）:
        Tau=Tau+1
        #print（‘tau ok:‘tau） 
    ‘‘‘jj = 0
    while jj < tau_max:#for jj in range（1tau_max）:#2:tau_max        
        jj = jj+1#print（jj）
        Tau=jj;print（Tau）
        print（R_xx[jj-1]R_xx[jj]R_xx[jj-1]*R_xx[jj]）
        if R_xx[jj-1]*R_xx[jj]<=0:
            print（jj）
            if abs（R_xx[jj-1]）>abs（R_xx[jj]）:
                pass#Tau=jj;print（‘tau1:‘tau） #break
            else:
                Tau=Tau-1#Tau=jj-1;print（‘tau2:‘tau）#break
            print（‘tau:‘tau）;break‘‘‘
    #end
    #end
    #end
    print（‘tau:‘tau）
    return tau
#生成随机数字序列用于测试
def gen_series（n）:
    result = []
    for i in range（n）:
        t = random.randint（099）#random.uniform（1 10）#random.random（）#random.randint（050）#uniform（1 3）
        #随机浮点数random.random（） #random.uniform（1 10）
        #随机字符：random.choice（‘abcdefg&##^*f‘）#多个字符中选取特定数量的字符：random.sample（‘abcdefghij‘3）
        #随机整数：random.randint（099）#随机选取0到100间的偶数：random.randrange（0 101 2）
        result.append（t）
    print（result）
    return result
if __name__ == “__main__“:
#解决中文的问题 
    mpl.use（‘TkAgg‘）
    mpl.rcParams[‘font.sans-serif‘] = [‘SimHei‘]   
    mpl.rcParams[‘font.family‘]=‘sans-serif‘  
    #解决负号‘-‘显示为方块的问题  
    mpl.rcParams[‘axes.unicode_minus‘] = False
    
    x = gen_series（100）
    print（‘autocorrelation:‘）
    print（autocorrelation（x20））

    

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件   10044356  2008-04-14 20:00  simhei.ttf

     文件       3116  2018-02-11 18:06  autocorrelation.py

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

             10047472                    2