簡介這份MATLAB源碼包面向信號處理、非線性動力學(xué)與時間序列分析研究者圍繞三維相空間重構(gòu)PSR提供一套完整可運行的算法實現(xiàn)適用于科研復(fù)現(xiàn)、教學(xué)演示與工程項目開發(fā)。壓縮包共11個文件以4個M腳本為核心涵蓋互信息法延遲估計、FNN嵌入維計算、Lorenz混沌系統(tǒng)時間序列生成與三維可視化另含3張結(jié)果圖片、1份txt數(shù)據(jù)、1個Markdown說明文檔與License授權(quán)文件包體僅205KB。目前已有183人學(xué)習(xí)下載。通過這套代碼可直觀理解Takens延時嵌入定理的實操流程從原始一維時間序列到重構(gòu)相空間再到吸引子形態(tài)繪制完整呈現(xiàn)相空間重構(gòu)的關(guān)鍵步驟代碼結(jié)構(gòu)清晰參數(shù)選擇部分便于替換到真實信號中進一步探索是學(xué)習(xí)混沌分析的良好參考實現(xiàn)。1. 一份 PSR 三維重構(gòu)源碼能幫你看到什么“所有代碼_psr_三維重構(gòu)_相空間_相空間重構(gòu)_straightxx8_源碼”是典型的資源站下載包一堆關(guān)鍵詞拼起來的壓縮包沒有說明書也沒有版本號。它的技術(shù)主線很聚焦——用相空間重構(gòu)Phase Space ReconstructionPSR把一維時間序列映射到三維空間里把混沌信號藏在時間軸里的吸引子結(jié)構(gòu)“畫”出來。這類源碼在振動故障診斷、生理信號分析、非線性時間序列預(yù)測里出現(xiàn)頻率很高適合手里有一段實測數(shù)據(jù)、想判斷它到底是隨機噪聲還是確定性結(jié)構(gòu)或者想給分類模型造一個更好分特征的人。它解決的核心問題可以用一句話概括同一段波形時域里看不出規(guī)律升到三維空間后規(guī)則結(jié)構(gòu)立刻現(xiàn)形。下面我按復(fù)現(xiàn)這類源碼包的順序把原理、算法、實現(xiàn)、踩坑和定量分析一次講清。2. 相空間重構(gòu)原理與參數(shù)選型τ 和 m 為什么決定三維圖長什么樣相空間重構(gòu)在大部分人聽來像玄學(xué)核心其實是一句話一段標(biāo)量時間序列里藏著系統(tǒng)全部狀態(tài)的演化軌跡。決定三維重構(gòu)圖好不好看的只有兩個參數(shù)——延遲時間 τ 和嵌入維數(shù) m。源碼包里幾乎所有子程序都在圍著這兩個參數(shù)轉(zhuǎn)讀懂了它倆任何 PSR 源碼都不會再看暈。2.1 Takens 嵌入定理從一維序列恢復(fù)吸引子拓撲Takens 在 1981 年證明的嵌入定理是這套方法的根基。假設(shè)原始動力系統(tǒng)是 d 維的我們能觀測到的只是其中一個坐標(biāo)的采樣序列 x(t)。構(gòu)造延遲向量X(t) [x(t), x(tτ), ..., x(t(m-1)τ)]當(dāng)嵌入維數(shù) m ≥ 2d1 時重構(gòu)后的軌跡與原始吸引子是拓撲等價的。翻譯成人話雖然每個時刻只觀測到一個數(shù)值但把“現(xiàn)在”和“未來幾個時刻”拼成一個向量足夠還原系統(tǒng)內(nèi)部狀態(tài)的演化關(guān)系。所謂三維重構(gòu)就是取 m3 的特例三個坐標(biāo)軸分別是 x(t)、x(tτ)、x(t2τ)。這里有個特別容易被誤解的點重構(gòu)坐標(biāo)沒有物理單位也不代表原系統(tǒng)里的某個物理量它只是延遲副本構(gòu)成的抽象空間。所以別給坐標(biāo)軸硬標(biāo)“電壓”“位移”之類的量。拓撲等價的意義在于幾何不變量可以保留——關(guān)聯(lián)維數(shù)、Lyapunov 指數(shù)這些反映系統(tǒng)本質(zhì)的量在重構(gòu)空間里算和在原系統(tǒng)里算結(jié)果一致這是后面做定量分析的前提。工程上d 一般未知所以 m 通常從 2 試到 10 左右看結(jié)構(gòu)和指標(biāo)是否穩(wěn)定。如果只是想“畫個三維吸引子看看”m 固定為 3 就夠了。源碼包里大量出現(xiàn) m3 不是偷懶是可視化場景下的合理選擇。2.2 延遲時間 τ 的兩種算法自相關(guān)法與互信息法τ 選小三個坐標(biāo)高度相關(guān)軌跡擠成一條線τ 選大三個坐標(biāo)近似獨立軌跡變成隨機點云。自相關(guān)法和互信息法是最常用到的兩種選法。自相關(guān)法算的是 x(t) 和 x(tτ) 之間的線性相關(guān)系數(shù)隨 τ 的衰減常見準則取第一次降到 1/e 的位置作為 τ。優(yōu)點是快缺點是只捕捉線性依賴對非線性結(jié)構(gòu)不敏感。import numpy as np def autocorr_tau(signal, stop1.0 / np.e): x signal - signal.mean() n len(x) # 補零到 2n用 FFT 算線性自相關(guān)避免逐點循環(huán) fft_x np.fft.fft(x, n2 * n) acov np.fft.ifft(fft_x * np.conj(fft_x)).real[:n] / n acov acov / acov[0] # 歸一化到 lag0 時相關(guān)系數(shù)為 1 for tau in range(1, n): if acov[tau] stop: return tau return n - 1邏輯說明先減均值消除直流分量再補零做 FFT 計算自相關(guān)比逐點雙重循環(huán)快幾個數(shù)量級。除以 acov[0] 完成歸一化閾值就直接用 1/e。對 Lorenz 這類信號在 dt0.02 時算出的 τ 通常在 5 到 15 之間和文獻里“延遲時間取自相關(guān)第一次過零點附近偏小一點”的經(jīng)驗吻合。保守的寫法是取第一次過零點但那給出來的 τ 往往偏大軌跡會明顯變稀疏。自相關(guān)法的局限在于它只度量線性相關(guān)性?；バ畔⒎▌t能捕捉非線性依賴它把信號值域分成若干格子統(tǒng)計滯后 τ 的兩個變量共享多少信息量取第一極小點作為 τ。def mutual_information(signal, tau, bins32): x signal[:-tau] y signal[tau:] lo, hi np.min(signal), np.max(signal) # 聯(lián)合直方圖固定使用全序列值域保證不同 tau 之間可比 cxy, _, _ np.histogram2d(x, y, binsbins, range[[lo, hi], [lo, hi]]) n cxy.sum() pxy cxy / n px pxy.sum(axis1) py pxy.sum(axis0) mi_val 0.0 for i in range(bins): for j in range(bins): if pxy[i, j] 0: mi_val pxy[i, j] * np.log(pxy[i, j] / (px[i] * py[j])) return mi_val def mi_first_min(signal, tau_max80, bins32): vals [mutual_information(signal, t, binsbins) for t in range(1, tau_max 1)] for i in range(1, len(vals) - 1): if vals[i] vals[i - 1] and vals[i] vals[i 1]: return i 1 # 索引 i 對應(yīng) tau i1 return tau_max參數(shù)說明bins 取 32 是常見折中數(shù)據(jù)總量少于幾千點時降到 16否則聯(lián)合直方圖大量格子為零互信息抖動很厲害。tau_max 要覆蓋信號的一個主周期dt0.02 的 Lorenz 軌道時間常數(shù)在 1 秒量級tau_max 取 80 足夠。代碼里返回的是第一個局部極小點不是全局最小點這是 Fraser-Swinney 方法的經(jīng)典約定。兩套算法結(jié)果不一致時怎么辦比如自相關(guān)給 8、互信息給 15先畫互信息曲線看第一極小是否明顯再在兩值之間取偏大者做可視化。稍大的 τ 能把軌跡拉開、看到更多折疊結(jié)構(gòu)如果差異超過 3 倍多半是信號有趨勢或周期性太強先去趨勢再說。2.3 嵌入維數(shù) m 的確定從偽近鄰到“夠用就好”如果只是三維可視化這部分可以跳過。但源碼包通常還帶 G-P 算法或偽近鄰法說明作者意圖不止畫圖。偽近鄰的思路在 m 維空間里一個點的大部分近鄰應(yīng)該是“真鄰居”如果升到 m1 維后原本的近鄰跑遠了說明那些是低維投影造成的假鄰居。m 從 1 遞增偽近鄰比例降到接近 0 時的 m 就是合適嵌入維。G-P 算法從另一個方向逼近在重構(gòu)空間里統(tǒng)計距離小于 r 的點對比例得到關(guān)聯(lián)積分 C(r)log-log 坐標(biāo)下無標(biāo)度區(qū)的斜率就是關(guān)聯(lián)維數(shù) D2。隨著 m 增大確定性混沌系統(tǒng)的 D2 會飽和在某個值附近如果 D2 一直漲信號大概率是隨機噪聲。僅這一條就常被用來區(qū)分“混沌”和“純隨機”。工程選型建議畫三維圖用 m3估算關(guān)聯(lián)維數(shù)或 Lyapunov 指數(shù)用 m5 到 7 起步高維系統(tǒng)通常要 m≥8。m 不是越大越好——樣本量固定時空間維數(shù)越高數(shù)據(jù)越稀薄距離估計全部失真。經(jīng)驗上要求重構(gòu)后的點數(shù) n-(m-1)τ 至少是 m 的 10 倍否則后面算關(guān)聯(lián)維數(shù)基本是噪聲。3. 從源碼包到最小復(fù)現(xiàn)Lorenz 信號的三維相空間重構(gòu)拿到這類源碼包最常見的做法是先把環(huán)境配干凈用一段已知答案的混沌信號把流程跑通再換自己的數(shù)據(jù)。不要一上來就上真實信號因為真實信號里的噪聲和趨勢會讓“圖不對”時無法判斷是自己錯了還是數(shù)據(jù)本身有問題。3.1 造一段已知答案的測試信號Lorenz 系統(tǒng)from scipy.integrate import solve_ivp def lorenz(t, state, sigma10.0, rho28.0, beta8.0 / 3.0): x, y, z state return [sigma * (y - x), x * (rho - z) - y, x * y - beta * z] dt 0.02 t_end 120 t_eval np.arange(0, t_end, dt) sol solve_ivp(lorenz, [0, t_end], [1.0, 1.0, 1.0], t_evalt_eval, methodRK45, rtol1e-8) x sol.y[0] x x[2000:] # 丟掉前 40 秒瞬態(tài) print(f剩余點數(shù): {len(x)})邏輯說明Lorenz 方程在 sigma10、rho28、beta8/3 的經(jīng)典參數(shù)下處于蝴蝶混沌區(qū)初值隨便給只要不落在平衡點附近就行。積分完成后把前 2000 點丟棄因為從初值飛到吸引子上的過渡段會在重構(gòu)圖里多出一條“飛線”。兩個參數(shù)要記住dt 是采樣間隔直接決定 τ 的物理含義rtol1e-8 防止數(shù)值誤差讓軌跡跳到另一個分支。真實數(shù)據(jù)沒有積分這一步但一定有采樣率建議一開始就把 τ 的離散值換算成物理時間。提示真實信號做相空間重構(gòu)前先確認采樣率和主頻帶。采樣率過高時先降采樣否則重構(gòu)點數(shù)暴漲圖也卡τ 的物理意義也容易算錯。3.2 相空間重構(gòu)核心實現(xiàn)與三維可視化def psr_reconstruct(signal, tau, m3): n len(signal) rows n - (m - 1) * tau if rows 0: raise ValueError(n-(m-1)*tau 為負數(shù)據(jù)太短或參數(shù)太大) mat np.empty((rows, m)) for i in range(m): mat[:, i] signal[i * tau : i * tau rows] return mat tau 12 mat psr_reconstruct(x, tau, m3) print(mat.shape) # (rows, 3) import matplotlib.pyplot as plt fig plt.figure(figsize(8, 6)) ax fig.add_subplot(111, projection3d) ax.plot(mat[:, 0], mat[:, 1], mat[:, 2], lw0.5, colorsteelblue) # 三個軸按實際數(shù)據(jù)范圍等比防止圖形被壓扁 ax.set_box_aspect((np.ptp(mat[:, 0]), np.ptp(mat[:, 1]), np.ptp(mat[:, 2]))) ax.set_xlabel(x(t)) ax.set_ylabel(x(tτ)) ax.set_zlabel(x(t2τ)) ax.view_init(elev20, azim45) plt.show()邏輯說明psr_reconstruct 返回 rows×3 矩陣第 0 列是原序列第 1 列滯后 12 個采樣點第 2 列滯后 24 個。等價于從第 0 個原始點開始以 τ 為步長取三個元素構(gòu)成第一個三維向量然后逐點滑動。畫圖用 plot 而不是 scatter幾千個點只有在連線模式下才能看到連續(xù)的折疊結(jié)構(gòu)線寬 0.5 避免蝶翼兩側(cè)互相糊成一片。set_box_aspect 是三維圖不被壓扁的關(guān)鍵很多流傳的源碼包里沒有這一句蝴蝶會被硬拉成飛餅。view_init 固定視角后面做參數(shù)對比時才不會換一個角度就換了一張圖。mat 行數(shù)超過兩萬時先隔點抽樣再畫mat[::2] 丟一半點速度翻倍且視覺幾乎不變。這也是源碼包里經(jīng)常出現(xiàn)的處理不是偷數(shù)據(jù)是控制渲染量。3.3 把 τ 的自動估計接進主流程tau_corr autocorr_tau(x, stop1.0 / np.e) tau_mi mi_first_min(x, tau_max80, bins32) print(f自相關(guān)法 tau{tau_corr}, 互信息法 tau{tau_mi}) tau tau_mi if tau_mi is not None else tau_corr mat psr_reconstruct(x, tautau, m3) fig.suptitle(fLorenz, tau{tau}, m3, dt0.02)參數(shù)說明自相關(guān)和互信息結(jié)果不一致時我一般先看一眼互信息曲線確認第一極小點旁邊沒有毛刺再決定是否改用 tau_corr。自動估計的 τ 只配當(dāng)起點不配當(dāng)標(biāo)準答案——用下一章的參數(shù)掃描驗證過才算數(shù)。4. 相空間重構(gòu)常見問題排查五個翻車現(xiàn)場的現(xiàn)象、原因與對策相空間重構(gòu)的坑都很隱蔽因為程序不會報錯“τ 選錯了”。下面五條按出現(xiàn)頻率排序每一條都值得在自己數(shù)據(jù)上對照一遍。4.1 現(xiàn)象重構(gòu)軌跡全部擠在空間對角線附近三維圖是一條細長的對角線或者緊緊貼在一個平面上看不到蝴蝶的折疊。這是最典型的翻車現(xiàn)場。原因有二τ 太小三個坐標(biāo)分量數(shù)值幾乎相等或信號未去均值、帶趨勢趨勢項把軌跡拉成一條斜線。經(jīng)驗法則凡是吸引子看起來像個棒子先懷疑 τ再懷疑預(yù)處理。解決先做預(yù)處理再去調(diào) τ。from scipy.signal import detrend x_clean detrend(x - x.mean()) tau_new mi_first_min(x_clean, tau_max80, bins32) mat psr_reconstruct(x_clean, tau_new, m3)邏輯說明detrend 默認去掉線性趨勢去均值消掉直流分量。對緩慢漂移的實測信號這兩步有時比調(diào) τ 更關(guān)鍵。處理完再跑互信息法τ 往往會變大一點軌跡也會從對角線上“松開”。4.2 現(xiàn)象改變視角后吸引子結(jié)構(gòu)完全變樣同一份數(shù)據(jù)elev20 時看是蝴蝶elev70 時看成一團亂線兩個人截圖對比得出的結(jié)論完全相反。原因三維圖本質(zhì)是二維投影視角和坐標(biāo)縮放都會扭曲視覺結(jié)構(gòu)。尤其缺了 set_box_aspect 時三個軸按各自范圍獨立拉伸真實幾何比例被破壞。解決固定視角加等比盒子。檢查繪圖代碼里有沒有 set_box_aspect 和 view_init 兩行沒有就補上。所有參數(shù)對比統(tǒng)一用同一視角保存圖片時把視角參數(shù)寫進文件名否則截圖無法追溯。這是血淚經(jīng)驗看吸引子形狀必須先固定視角否則等于看圖猜謎。4.3 現(xiàn)象數(shù)據(jù)截斷后吸引子結(jié)構(gòu)劇變用前一半數(shù)據(jù)畫圖是一個環(huán)用后一半畫是另一個環(huán)掐頭去尾再看形狀大變。原因數(shù)據(jù)里混入了瞬態(tài)段或者系統(tǒng)狀態(tài)本身發(fā)生了遷移。Lorenz 測試信號里常見的是初值飛線真實傳感器數(shù)據(jù)里常見的是緩慢漂移造成的狀態(tài)切換。解決先定位瞬態(tài)段丟掉再用滑動窗口截取穩(wěn)態(tài)段。粗略判斷穩(wěn)態(tài)的辦法是計算每 200 點窗口的質(zhì)心質(zhì)心在三維空間里的偏移超過坐標(biāo)范圍的 10%就得重新選段。def check_stationary(mat, win200, ratio0.1): center mat.mean(axis0) spans np.ptp(mat, axis0) for start in range(0, len(mat) - win, win): seg_center mat[start:startwin].mean(axis0) if np.any(np.abs(seg_center - center) / spans ratio): return False return True邏輯說明質(zhì)心漂移是吸引子結(jié)構(gòu)不穩(wěn)的直接信號。返回 False 時別急著調(diào) τ先換數(shù)據(jù)段。這個函數(shù)對真實信號尤其有用它能直接指出哪一段不屬于同一個動力學(xué)狀態(tài)。4.4 現(xiàn)象τ 選太大軌跡變成稀疏點云三維圖是一堆懸浮的散點看不出連續(xù)軌道像噪聲而非吸引子。原因互信息法自動選 τ 時取錯了極小點常見的是第一極小不明顯、代碼誤取第二極小或者信號周期性太強自相關(guān)法的 1/e 準則直接失效。解決把互信息曲線畫出來人工確認第一個極小點。import matplotlib.pyplot as plt taus np.arange(1, 80) mis [mutual_information(x, t, bins32) for t in taus] plt.plot(taus, mis) for i in range(1, len(mis) - 1): if mis[i] mis[i - 1] and mis[i] mis[i 1]: print(局部極小 tau , i 1) plt.show()邏輯說明互信息函數(shù)單個 τ 的復(fù)雜度是 O(bins2)80 個 τ 跑下來也就幾十毫秒放心循環(huán)。看到曲線上低于均值的第一處凹陷那個位置才是合理 τ不是整條曲線的最低點。如果曲線第一個極小出現(xiàn)在 tau1說明數(shù)據(jù)可能本身采樣過密或周期性過強先降采樣再重構(gòu)。4.5 現(xiàn)象兩次運行結(jié)果的坐標(biāo)范圍不一致無法對比昨天畫的吸引子范圍是 [-20, 20]今天變成 [-15, 15]形狀看著也不一樣但代碼一行沒改。原因數(shù)據(jù)段起點變了、去趨勢的位置變了、τ 變了圖上卻看不出參數(shù)差異。這不是算法錯誤是復(fù)現(xiàn)管理問題。解決每次重構(gòu)輸出時記錄數(shù)據(jù)段起止索引、τ、m、坐標(biāo)范圍。常見做法是存一個 JSON或者直接編進文件名。具體模板放在最后一章這里先記住結(jié)論沒有參數(shù)快照的重構(gòu)結(jié)果等于沒有刻度尺的圖紙。5. 三維相空間重構(gòu)的下游定量分析從看圖到算數(shù)三維圖只能讓你“看著像”要說服別人、要落到項目里得把“像蝴蝶”變成“D2≈2.05”這種可復(fù)現(xiàn)的數(shù)值。這章講最常用的兩步。5.1 關(guān)聯(lián)維數(shù)G-P 算法把吸引子形狀變成一條飽和曲線from scipy.spatial.distance import pdist def correlation_integral(mat, r): n mat.shape[0] if n 8000: idx np.random.choice(n, 8000, replaceFalse) mat mat[idx] n 8000 dists pdist(mat, metriceuclidean) pairs np.sum(dists r) return 2.0 * pairs / (n * (n - 1))邏輯說明pdist 的復(fù)雜度是 O(n2)幾萬點會直接吃爆內(nèi)存所以超過 8000 行先隨機抽樣。這里抽的是重構(gòu)軌跡的行也就是相空間里的點不影響幾何結(jié)構(gòu)只降低精度。r 的掃描用對數(shù)等分rs np.geomspace(0.01, 50, 40) mat3 psr_reconstruct(x, tau, m3) cs np.array([correlation_integral(mat3, r) for r in rs]) # 無標(biāo)度區(qū)經(jīng)驗范圍C(r) 在 0.01 到 0.5 之間 mask (cs 0.01) (cs 0.5) d2 np.polyfit(np.log(rs[mask]), np.log(cs[mask]), 1)[0] print(fD2 ≈ {d2:.3f})參數(shù)說明mask 選的是 C(r) 在 0.01 到 0.5 之間的點太小的 r 區(qū)域是離散點噪聲太大則進入飽和段。Lorenz 的 D2 文獻值約 2.05算出來在 1.9 到 2.2 之間都算正常。如果差得遠不要懷疑算法回去查 τ 和數(shù)據(jù)長度——這是祖?zhèn)鞯恼{(diào)參順序。5.2 用重構(gòu)軌跡做狀態(tài)識別的兩個特征工程落地時很多人不關(guān)心 D2只想要一個能區(qū)分“正?！焙汀爱惓！钡奶卣鳌ＨS重構(gòu)軌跡可以抽出幾個比時域統(tǒng)計量更敏感的特征。def psr_features(mat): cov np.cov(mat.T) eig np.linalg.eigvalsh(cov) var_ratio np.max(eig) / np.sum(eig) # 主方向方差占比 seg np.diff(mat, axis0) arc_len np.sum(np.linalg.norm(seg, axis1)) # 軌跡總弧長 volume np.prod(np.ptp(mat, axis0)) # 軌跡占據(jù)的空間體積 return var_ratio, arc_len, volume邏輯說明var_ratio 反映軌跡在三維空間里鋪得廣不廣結(jié)構(gòu)越扁此值越高arc_len 是軌道在吸引子上繞的總長度數(shù)據(jù)段相同長度時反映繞圈密度volume 是三個軸范圍的乘積粗估吸引子占據(jù)空間大小。這三個量對狀態(tài)切換比均值方差敏感得多。常見做法正常工況取一段數(shù)據(jù)算一組特征異常工況取另一段算一組喂給閾值判斷或 SVM。但要注意邊界特征對數(shù)據(jù)長度和預(yù)處理極其敏感對比時必須用相同的數(shù)據(jù)段長度和相同的 τ。比如旋轉(zhuǎn)機械的振動信號轉(zhuǎn)速一變特征整體漂移得先按轉(zhuǎn)速分段再對每段單獨重構(gòu)。5.3 參數(shù)掃描τ 從 1 到 30m 從 3 到 6哪個組合最穩(wěn)看單張三維圖選 τ 還是容易犯主觀更可靠的辦法是跑參數(shù)掃描看 D2 對參數(shù)的穩(wěn)定性。results [] for m in [3, 4, 5, 6]: for tau in range(1, 31): mat_t psr_reconstruct(x, tau, mm) rs_t np.geomspace(0.01, 50, 30) cs_t np.array([correlation_integral(mat_t, r) for r in rs_t]) mask_t (cs_t 0.01) (cs_t 0.5) if mask_t.sum() 3: continue d2_t np.polyfit(np.log(rs_t[mask_t]), np.log(cs_t[mask_t]), 1)[0] results.append((m, tau, d2_t))參數(shù)說明這組循環(huán)是 4×30120 次 G-P 計算每次抽樣 8000 點普通筆記本幾分鐘內(nèi)能跑完。選出 D2 隨 m 飽和、且對 τ 變化不敏感的區(qū)域那個 τ 就是穩(wěn)定工作點?！皩?τ 不敏感”本身就是重要信號——如果 D2 隨 τ 劇烈抖動說明數(shù)據(jù)長度不足或系統(tǒng)根本不是單個吸引子繼續(xù)調(diào)參數(shù)沒有意義。注意無標(biāo)度區(qū)的 mask 范圍0.01~0.5只在數(shù)據(jù)量足夠時有效。數(shù)據(jù)少于 1000 點時不要強行算 D2結(jié)果沒有統(tǒng)計意義。6. 給重構(gòu)結(jié)果留個狀態(tài)快照文件名就是后悔藥6.1 參數(shù)快照模板與自解釋命名寫完圖或算出 D2 后第一件事是把參數(shù)固化下來。τ12、m3 這個組合到底對應(yīng)哪段數(shù)據(jù)、采樣間隔多少、視角多少度沒有這些三維圖只是張無法復(fù)現(xiàn)的插圖。meta { source: lorenz_x, start_idx: 2000, end_idx: 6000, dt: 0.02, tau: 12, m: 3, elev: 20, azim: 45, range: [float(mat.min()), float(mat.max())], } import json with open(recon_meta.json, w) as f: json.dump(meta, f, indent2)參數(shù)說明range 記錄三個軸合并后的最小最大值再次繪圖時用它統(tǒng)一坐標(biāo)范圍。文件名用“tau12_m3_i2000_6000.png”這種自解釋命名比“重構(gòu)結(jié)果.png”強得多。JSON 里再存一份完整參數(shù)圖丟了還能重建。6.2 換數(shù)據(jù)前的內(nèi)置校驗我被這類問題坑過不止一次同一份振動數(shù)據(jù)上午下午各跑一遍畫出的圖一個寬一個扁最后發(fā)現(xiàn)只是一個 τ 用 8、一個用 10還沒人記得誰用了哪個。從那以后所有重構(gòu)實驗一律帶參數(shù)快照。一個實用的驗證習(xí)慣把代碼換到陌生數(shù)據(jù)上之前先在 Lorenz 上復(fù)現(xiàn) D2≈2.05確認整個代碼通道沒問題再碰真實數(shù)據(jù)。真實數(shù)據(jù)算出的 D2 落在 1.1 到 2.9 之間通常說明有確定性結(jié)構(gòu)接近整數(shù)或半整數(shù)更有說服力如果 D2 大于 4 或找不到無標(biāo)度區(qū)先懷疑數(shù)據(jù)而不是算法。真正常規(guī)、能反復(fù)用、能對比的相空間重構(gòu)流程一定長著“參數(shù)看得見、視角固定、坐標(biāo)等比”的樣子。希望幫到你。本文還有配套的精品資源點擊獲取