matlab排列熵程序 有注释
今天咱们来聊聊排列熵这个好玩的指标，顺便解剖一个带详细注释的Matlab实现代码。排列熵这玩意儿在生物信号、机械故障检测里用得挺多，能有效量化时间序列的复杂度。直接上干货，先看函数定义：
function [pe_value, hist] = permutation_entropy(signal, m, tau) % 输入参数： % signal - 原始时间序列（建议先做归一化） % m - 嵌入维度（3-7比较常用） % tau - 时间延迟（通常取1） % 输出： % pe_value - 排列熵值 % hist - 模式分布直方图 N = length(signal); % 序列总长度 pattern_num = factorial(m); % 可能出现的排列模式总数 hist = zeros(1, pattern_num); % 初始化模式计数器 % 生成所有可能的排列模板 [~, templates] = sort(rand(m, 1000)); % 随机生成排序模板 templates = unique(templates', 'rows'); % 去重得到所有可能排列这段开头做了三件事：参数检查、初始化计数器、生成排列模板。特别要注意那个生成模板的骚操作——通过随机生成加去重来获取所有可能的排列模式，这比直接计算所有排列组合更高效，特别是当m较大时。
接下来是核心计算部分：
for i = 1:N - (m-1)*tau % 滑动窗口遍历 % 提取相空间向量 vector = signal(i:tau:i+(m-1)*tau); % 模式编码：获取排序索引 [~, index] = sort(vector); % 匹配预先生成的模板 for p = 1:size(templates,1) if isequal(index, templates(p,:)) hist(p) = hist(p) + 1; break; end end end % 计算概率分布 prob = hist / sum(hist); prob = prob(prob > 0); % 去除零概率 % 计算排列熵 pe_value = -sum(prob .* log(prob)) / log(pattern_num);这里有个隐藏知识点：时间延迟tau的选取会影响对动力系统的刻画。当tau=1时，我们得到的是最细粒度的模式分析。实际使用时，可以结合自相关函数来确定最佳延迟。
matlab排列熵程序 有注释
举个实际应用的例子：
% 生成测试信号 t = 0:0.01:20; signal = sin(t) + 0.5*randn(size(t)); % 含噪正弦波 % 调用函数 [pe, dist] = permutation_entropy(signal, 4, 1); % 可视化 figure; subplot(2,1,1); plot(t, signal); title('原始信号'); subplot(2,1,2); bar(dist); title('模式分布');运行后会看到噪声信号的排列熵明显高于纯周期信号。偷偷说句，把sin函数换成mexican hat小波试试，会出现很有意思的模式聚集现象。
几个注意事项：
- 输入信号最好先做归一化处理，避免量纲影响
- m值越大计算量指数增长，实测m=7时万点数据需要20秒左右
- 时间序列长度建议至少10^m个点
- 对于突跳明显的信号，可以配合滑动窗口做动态分析
这个实现虽然不算最高效的版本（模板匹配部分可以优化），但胜在可读性强。想要提速的话，可以把模板匹配改成哈希查找，或者用矩阵运算代替循环——不过那就是另一个故事了。下次遇到需要量化信号复杂度的场景，不妨把这招排列熵掏出来试试，比传统近似熵、样本熵更抗噪哦！
友情提示：调试时可以先把m设为3，tau=1，用纯随机数验证熵值是否接近1，再用周期信号验证熵值是否接近0，这样可以快速验证程序正确性。
