嵌入维数m可用函数estimateEmbeddingDim()函数，此时使用Cao方法确定维数的
estimateEmbeddingDim(data, time.lag = tau,do.plot = F,max.embedding.dim = 20)
tseriesChaos包中的false.nearest()函数使用伪近邻方法确定嵌入维数
false.nearest(data, m = max.m, d = tau, t = 150, eps = sd(data)/10)
以上就是关于用R语言做PSR的相关代码，希望能帮到那些再用这个方法的人吧，少走一些弯路。毕竟自己编代码太痛苦了，还是直接调包比较香（开玩笑啦，有能力的还是尝试自己写代码吧，对自己提升很大）
相空间重构求关联维数——GP算法、自相关法求时间延迟tau、最近邻算法求嵌入维数m
GP算法：
若有一维时间序列为{x1,x2,…,xn},对其进行相空间重构得到高维相空间的一系列向量：
xi(τ,m)=(xi,xi1,⋯ ,xi+(m−1)τ){x_i}(\tau ,m) = \left( {{x_i},{x_{i1}}, \cdots ,{x_{i + {{(m - 1)}_\tau }}}} \right)xi(τ,m)=(xi,xi1,⋯,xi+(m−1)τ)
式中：τ\tauτ为时间延迟
布谷鸟搜索(Cuckoo Search, CS)算法是一种新型群体智能优化算法,不仅结合了许多鸟类及果蝇特殊的利维飞行模式进行搜索,而且增加了群体之间的信息交流,加快收敛速度,为BP神经网络机参数优化提供了一种新的研究工具。为了提高电力系统负荷和天气预测精度,提出一种CS算法优化BP神经网络参数的负荷和天气预测预测模型(CS-BP)。
首先，输入的时间序列向量被重构为一个低维度矩阵 X，其中每行代表一个点，每列代表一个特征。然后，可以对矩阵进行描点和缩放。接下来，可以使用主成分分析（PCA）对矩阵进行降维，以便更好地可视化和理解数据。最后，可以绘制主成分贡献度图和二维散点图来展示数据的主要特征。需要注意的是，相空间重构是一个复杂的过程，需要根据具体的数据和应用场景进行调整和优化。上述代码仅提供了一个基本的框架，需要根据实际需求进行修改和扩展。它可以将高维时间序列数据转换为低维表示，以便更好地理解和分析系统的行为。
1）异常模式发生时，程序把通用寄存器压入堆，SP一直指向栈顶的位置。返回时再出栈，保证程序状态的完整性。
2）有MSP 和PSP（两者只需一个，不能同时使用，默认MSP）。
MSP ：主堆栈指针，系统用。PSP ： 进程堆栈指针，个人堆栈指针。
R14：LR连接寄存器
功能：保...
互信息法求时延参数 matlab
对于一维时间序列，可以用时延嵌入的方式扩展到高维空间来学习其动态特性。时延嵌入的参数：一个是时间延迟 τ，一个是嵌入维数 m。时间延迟参数常用互信息法求得。
互信息（mutual information）：原始时间序列x 与时延τ之后的时间序列 x(t+τ) 之间的依赖关系。公式如下：
1. MI 计算函数
function mi = MI(x, nbins, maxlag)
% 时间序列x, 分箱数nbins,最大时延maxlag
mi = zero
