面向混沌系统鲁棒分析的合成时间序列数据集构建与噪声扰动机制研究

《Machine Learning and Knowledge Extraction》：Detection and Comparative Evaluation of Noise Perturbations in Simulated Dynamical Systems and ECG Signals Using Complexity-Based Features Kevin Mallinger, Sebastian Raubitzek, Sebastian Schrittwieser and Edgar Weippl

本研究聚焦非线性动力学系统的可解释性与泛化性瓶颈，团队构建了涵盖连续/离散混沌系统的合成时间序列数据集，引入Z-score标准化与多模态噪声扰动框架（高斯/粉红/低频调制），量化了α系数与SNR=10log10(Var(x)/Var(αn))的映射关系，验证了数据生成策略对复杂系统特征提取的增强效应，为动力学系统鲁棒性评估提供标准化基准。

　　

在非线性科学与复杂系统研究中，混沌动力学系统因其对初始条件的极端敏感性和长期行为的不可预测性，一直是理论探索与应用落地的难点。从气象预报到生理信号分析，从金融波动到工程振动控制，真实世界的动态过程常被建模为低维或高维混沌系统——洛伦茨方程刻画大气对流的不稳定性，R?ssler系统描述化学振荡的螺旋结构，而Hénon映射则简化了经典耗散系统的折叠特性。然而，现有研究面临双重挑战：其一，实测数据受环境噪声、传感器误差与采样限制，难以剥离真实动力学特征；其二，算法评估缺乏标准化的噪声可控基准，导致模型泛化性验证碎片化。

为此，发表于《Machine Learning and Knowledge Extraction》的研究提出了一套系统性解决方案：构建覆盖三类典型混沌系统（连续/离散/参数摄动型）的合成时间序列库，通过可控噪声注入机制量化扰动对系统特征提取的影响，为机器学习方法在复杂动力学场景中的鲁棒性评估建立可复现基础。

研究采用“系统仿真-标准化-扰动生成”三层架构：基于经典微分方程/映射迭代生成原始轨迹，通过Z-score标准化消除幅值与偏移差异；设计多模态噪声模块（高斯白噪声??(0,σ_n²)、粉红噪声S(f)∝1/f、低频正弦调制），以加性模型x_noisy(t)=x(t)+αn(t)引入强度分级扰动（α∈{1,0.3,0.1}等），并通过SNR=10log₁₀(Var(x)/Var(αn))精确控制信噪比；针对离散系统设置2000步燃耗期与20000步有效样本，确保稳态行为捕获。

2.1 混沌系统选择与数值模拟

研究选取三大类系统：连续流由洛伦茨（Lorenz）、R?ssler、四翼混沌系统代表，通过龙格-库塔法积分；离散映射包括Hénon与Logistic Map，体现折叠与分岔特性；参数摄动型扩展则通过a=a₀(1+u_a)、b=b₀(1+u_b)引入随机扰动（u_a,u_b~??(-0.03,0.03)）。所有轨迹均经去均值与单位方差归一化，保证动力学结构无损。

2.2 标准化与噪声扰动

Z-score预处理使Var(x)≈1，随后按式(4)-(8)注入三类噪声：高斯型零均值标准化后缩放，粉红噪声保持1/f频谱特性，低频干扰为A sin(2πft+φ)，其方差固定为1/2。通过α系数阵列调控强度（如高斯α=1/0.3/0.1），对应SNR_{Gaussian/Pink}≈10log₁₀(1/α²)，低频型SNR_Low-freq≈10log₁₀(2/α²)。每类噪声均独立生成随机相位/频率实现，保障时序多样性。

研究表明，所提框架能稳定生成覆盖混沌系统典型状态（周期/拟周期/混沌态）的多噪声版本数据集，通过参数化扰动强度与类型，量化了不同噪声模态对系统特征（如李雅普诺夫指数估计、吸引子重构）的差异化影响。低频调制更易掩盖慢变动力学特征，高斯噪声在高SNR下仍可保留短期相关性，而粉红噪声的长程依赖性对粗粒度分析干扰显著。

结论指出，标准化合成数据集填补了混沌系统鲁棒性评估的数据空白，多噪声配置为特征提取算法提供了分层测试基准：既验证传统动力学指标（如关联维数、熵测度）的抗噪性，也支撑深度学习模型（RNN/Transformer）在噪声场景下的泛化性优化。工作为跨学科研究（生物信号处理、气候模拟、工业监测）提供了可扩展的数据生成范式，未来可结合真实场景噪声统计进一步贴近应用需求。