ON THE USE OF A COMPLEX INDICATOR OF THE STABILITY OF PERMUTATION ENTROPY OF TIME SERIES FRAGMENTS WHEN ANALYZING INFRASOUND MONITORING SIGNALS OF THE ALTAI REPUBLIC

Обложка

Цитировать

Полный текст

Аннотация

This paper discusses one of the approaches that allows us to assess the degree of complexity or randomness of fragments of a time series in order to detect infrasound or geomagnetic signals in the results of observations of the dynamics of the natural or man-made processes under study. In our case, we are talking about monitoring the infrasound background on the territory of the Altai Republic. To solve the problem of estimating the required characteristics of a time series with minimal computational costs and in real time, a complex indicator of the stability of permutation entropy is introduced, since estimating the value of classical permutation entropy for n = 3 (the most commonly used version of permutation entropy) does not allow solving the problem with sufficient accuracy.

Об авторах

N. Kudryavtsev

Автор, ответственный за переписку.
Email: ngkudr@mail.ru
ORCID iD: 0000-0003-1327-5188

I. Frolov

Email: ngkudr@mail.ru
ORCID iD: 0000-0001-9176-6965

V. Safonova

Email: ngkudr@mail.ru
ORCID iD: 0000-0002-8043-4014

Список литературы

  1. Chumak, O. V. (2012), Entropies and fractals in data analysis, R&C Dynamics, https://doi.org/10.13140/2.1.4739.6800 (in Russian).
  2. Fu, S., Y. Huang, T. Feng, D. Nian, and Z. Fu (2019), Regional contrasting DTR’s predictability over China, Physica A: Statistical Mechanics and its Applications, 521, 282–292, https://doi.org/10.1016/j.physa.2019.01.077.
  3. Higuchi, T. (1988), Approach to an irregular time series on the basis of the fractal theory, Physica D: Nonlinear Phenomena, 31(2), 277–283, https://doi.org/10.1016/0167-2789(88)90081-4.
  4. Kandal, M. (1981), Time series, Finance and Statistics, Moscow (in Russian).
  5. Liang, T., G. Xie, D. Mi, W. Jiang, and G. Xu (2020), PM2.5 Concentration Forecasting Based on Data Preprocessing Strategy and LSTM Neural Network, International Journal of Machine Learning and Computing, 10(6), 729–734, https://doi.org/10.18178/ijmlc.2020.10.6.997
  6. Lu, P., L. Ye, M. Pei, Y. Zhao, B. Dai, and Z. Li (2022), Short-term wind power forecasting based on meteorological feature extraction and optimization strategy, Renewable Energy, 184, 642–661, https://doi.org/10.1016/j.renene.2021.11.072.
  7. Microsin.net (2020), INMP441: digital microphone with interface I2S, https://microsin.net/adminstuff/hardware/inmp441-i2s-omnidirectional-digital-microphone.html (in Russian), (visited on 18.02.2024).
  8. Roushangar, K., R. Ghasempour, V. S. O. Kirca, and M. C. Demirel (2021), Hybrid point and interval prediction approaches for drought modeling using ground-based and remote sensing data, Hydrology Research, 52(6), 1469–1489, https://doi.org/10.2166/nh.2021.028.
  9. Schwardt, M., C. Pilger, P. Gaebler, P. Hupe, and L. Ceranna (2022), Natural and Anthropogenic Sources of Seismic, Hydroacoustic, and Infrasonic Waves: Waveforms and Spectral Characteristics (and Their Applicability for Sensor Calibration), Surveys in Geophysics, 43(5), 1265–1361, https://doi.org/10.1007/s10712-022-09713-4.
  10. Sidorov, R., A. Soloviev, R. Krasnoperov, D. Kudin, A. Grudnev, Y. Kopytenko, A. Kotikov, and P. Sergushin (2017), Saint Petersburg magnetic observatory: from Voeikovo subdivision to INTERMAGNET certification, Geoscientific Instrumentation, Methods and Data Systems, 6(2), 473–485, https://doi.org/10.5194/gi-6-473-2017.
  11. Silva, A. S. A., R. S. C. Menezes, O. A. Rosso, B. Stosic, and T. Stosic (2021), Complexity entropy-analysis of monthly rainfall time series in northeastern Brazil, Chaos, Solitons & Fractals, 143, https://doi.org/10.1016/j.chaos.2020.110623.
  12. Soloviev, A., V. Lesur, and D. Kudin (2018), On the feasibility of routine baseline improvement in processing of geomagnetic observatory data, Earth, Planets and Space, 70(1), https://doi.org/10.1186/s40623-018-0786-8.
  13. St-Louis, B. (Ed.) (2020), INTERMAGNET Technical Reference Manual, Version 5.0.0, INTERMAGNET Operations Committee and Executive Council, https://doi.org/10.48440/INTERMAGNET.2020.001.
  14. Traversaro, F., F. O. Redelico, M. R. Risk, A. C. Frery, and O. A. Rosso (2018), Bandt-Pompe symbolization dynamics for time series with tied values: A data-driven approach, Chaos: An Interdisciplinary Journal of Nonlinear Science, 28(7), https://doi.org/10.1063/1.5022021.
  15. Zhang, T., C. Cheng, and P. Gao (2019), Permutation Entropy-Based Analysis of Temperature Complexity Spatial-Temporal Variation and Its Driving Factors in China, Entropy, 21(10), 1001, https://doi.org/10.3390/e21101001.
  16. Zhu, G., J. Hunter, and Y. Jiang (2016), Improved Prediction of Dengue Outbreak Using the Delay Permutation Entropy, in 2016 IEEE International Conference on Internet of Things (iThings) and IEEE Green Computing and Communications (GreenCom) and IEEE Cyber, Physical and Social Computing (CPSCom) and IEEE Smart Data (SmartData), IEEE, https://doi.org/10.1109/iThings-GreenCom-CPSCom-SmartData.2016.172.
  17. Zunino, L., M. C. Soriano, and O. A. Rosso (2012), Distinguishing chaotic and stochastic dynamics from time series by using a multiscale symbolic approach, Physical Review E, 86(4), https://doi.org/10.1103/PhysRevE.86.046210.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Kudryavtsev N., Frolov I., Safonova V., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».