用于时间序列数据分析的度加权递归网络

递归网络是有效用于时间序列数据非线性分析的强大工具。这方面的分析主要使用根据特定准则从时间序列构建的无权无向复杂网络。在这项工作中，我们提出一种从时间序列构建“加权递归网络”(WRN) 的新方法，并展示它如何揭示有关混沌吸引子结构的有用信息，这是通常的无权递归网络无法提供的。特别地，我们发现 WRN 的节点强度分布，来自每个混沌吸引子都遵循幂律（带指数尾），其指数特征于吸引子的分形结构。这导致了复杂网络中的一个新类别，发现所有标准混沌吸引子的网络都属于此类。此外，我们给出了聚类系数和特征路径长度的广义定义，并表明这些度量能有效区分混沌动力学与白噪声和 $1/f$ 色噪声。我们的结果表明，WRN 及相关度量可能成为分析来自现实世界系统的短而含噪时间序列的重要工具，因为它们与噪声或随机系统明显区分开。