DOI: https://doi.org/10.35681/1560-9189.2017.19.3.126538

Елементи нелінійного аналізу інформаційних потоків

D. V. Lande, A. M. Hraivoronska

Анотація


Розглянуто методи нелінійної динаміки, які застосовуються для аналізу часових рядів, що відповідають інформаційним потокам у мережі Інтернет. Більшість із цих методів базуються на кореляційному, фрактальному, мультифрактальному, вейвлет- і Фур’є-аналізі. Детально описано особливості цих методів, їхній взаємозв’язок. Представлені методи та відповідні алгоритми можуть використовуватися для виявлення особливостей у динаміці розвитку інформаційних процесів, виявлення періодичності, аномалій, властивостей самоподібності, а також взаємної корельованості тапрогнозування розвитку різних інформаційних процесів. Представлені методи можуть розглядатись як основа для виявлення інформаційних атак, кампаній, операцій, війн.

Ключові слова


інформаційні потоки; часові ряди; нелінійна динаміка; кореляційний аналіз; фрактальний аналіз; прогнозування

Повний текст:

PDF (Русский)

Посилання


Addison Paul S. The illustrated wavelet transform handbook: introductory theory and applica-tions in science, engineering, medicine and finance. Boca Raton, FL: CRC Press, Taylor & Francis Group, 2016. 446 p.

Aguiar-Conraria L., Azevedob L., Soares M.J. Using Wavelets to Decompose the Time-Frequency Effects of Monetary Policy. Physica A: Statistical Mechanics and its Applications. 2008. Vol. 387. Issue 12. P. 2863–2878.

Aldroubi A., Cabrelli C., Jaffard S., Molter U. New Trends in Applied Harmonic Analysis: Sparse Representations, Compressed Sensing, and Multifractal Analysis. Birkhauser Basel, 2016. 334 p.

Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis, Forecasting and Control. New Jersey: John Wiley & Sons, 2015. 712 p.

Braichevsky S., Lande D., Snarskii A. On the fractal nature of mutual relevance sequences in the Internet news message flows. arXiv preprint arXiv: 0710.0228, 2007.

Chatfield C. The analysis of time series: an introduction 6th ed. Chapman & Hall/CRC, 2004. 333 p.

Dey D., Chatterjee B., Chakravorti S., Munshi S. Cross-wavelet Transform as a New Paradigm for Feature Extraction from Noisy Partial Discharge Pulses. Transactions on Dielectrics and Electrical Insulation. 2010. Vol. 17. N 1. P. 157–166.

Feder J. Fractals. Springer Science + Business Media, LLC, 1988. 305 p.

Harte D. Multifractals. Theory and applications. Chapman and Hall/CRC, 2001. 264 p.

Jaffard S. Wavelet Techniques in Multifractal Analysis. Fractal Geometry and Applications: a Jubilee of Benoit Mandelbrot. Multifractals, Probability and Statistical Mechanincs, Applications. San Diego. 2004. Vol. 72. Part 2. P. 91–151.

Kantelhardt, Jan W., Zschiegner Stephan A., Koscielny-Bunde Eva et al. Multifractal detrend-ed fluctuation analysis of nonstationary time series. Physica A: Statistical Mechanics and its Appli-cations. 2002. Vol. 316. P. 87–114.

Kantelhardt Jan W. Fractal and multifractal time teries. Encyclopedia of Complexity and Sys-tems Science. Springer, 2009. P. 3754–3779.

Lande D., Braichevski S. Busch D..Informationsfluesse im Internet. IWP — Information Wis-senschaft & Praxis, 2007. Heft 5. S. 277–284.

Lande D.V., Snarskii A.A. Diagram of measurement series elements deviation from local linear approximations. arXiv preprint arXiv:0903.3328, 2009.

Mallat S., Hwang L.W. Singularity Detection and Processing with. IEEE Transactions on In-formation Theory. 1992. Vol. 38. N 2. P. 617–643.

Mallat S. A Wavelet Tour of Signal Processing The Sparse Way. Academic Press, 2009. 805 p.

Mandelbrot B.B. The fractal geometry of nature. W. H. Freeman and Company, 1982. 468 p.

Montgomery Douglas C., Jennings Cheryl L. Introduction to time series analysis and forecast-ing. New Jersey: John Wiley & Sons, 2008. 441 p.

Oswiecimka P., Drozd S., Kwapien J., Gorski A.Z. Effect of detrending on multifractal charac-teristics. preprint arXiv:1212.0354, 2012.

Peng C.-K., Buldyrev S.V., Havlin S. et al. Mosaic organosation of DNA nucleotides. Physical Review E. 1994. Vol. 49 E. 2.

Rodriguez N., Bravo G., Rodriguez N., Barba L. Haar Wavelet Neural Network for Multi-step-ahead. Anchovy Catches Forecasting. Polibits. 2014. Issue 50. P. 49–53.

Suarez-Garcia P., Gomez-Ullate D. Multifractality and long memory of a financial index. eprint arXiv:1306.0490, 2013.

Sun X., Chen H.P., Wu Z.Q., Yuan Y.Z. Multifractal analysis of Hang Seng index in Hong Kong stock market. A-Statistical Mechanics and its Applications. 2001. Vol. 291. Issue 1–4. P. 553–562.

Thompson James R., Wilson James R. Multifractal Detrended Fluctuation Analysis: Practical Applications to Financial Time Series. Mathematics and Computers in Simulation. 2016. Vol. 126. Issue C. P. 63–88.

Zhou W.-X. The components of empirical multifractality in financial returns. EPL, 2009. Vol. 88. Issue 2. Article Number 28004.

Dodonov O.H., Lande D.V., Putyatin V.H. Informatsiyni potoky v hlobalnykh kompyuternykh merezhakh. Kyiv: Nauk. dumka, 2009. 295 s.

Snarskij A.A., Lande D.V., Brajchevskij S.M., Darmohval A. Raspredelenie dokumentov po stepeni relevantnosti na osnove multifraktalnyh svojstv. Internet-matematika 2007: sbornik rabot uchastnikov konkursa. Ekaterinburg: Iz-vo Uralskogo universiteta, 2007. 224 s.

Sheluhin O.I. Multifraktaly. Infokommunikacionnye prilozhenija. Moskva: Gorjachaja linija – Telekom, 2011. 576 s.