% 计算排列熵 % 输入：y：时间序列； % m：排列熵的顺序% t：置换熵的延迟时间， ％ 输出： % pe：置换熵% hist：订单分布的直方图 %Ref: G Ouyang, J Li, X Liu, X Li, 具有多尺度排列的缺席 EEG 记录的动态特征 % % 熵分析，癫痫研究，doi：10.1016/j.eplepsyres.2012.11.003 % X Li, G Ouyang, D Richards, 具有置换熵的失神发作的可预测性分析，癫痫 % % 研究，卷。 77pp。 70-74, 2007

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)拉曼光谱去噪方法。利用排列熵(PE)作为代表噪声的内在模式分量(IMF)的判据，并对其进行阈值滤波以消除噪声，得到消除噪声的拉曼光谱重构信号。采用该方法对乙醇水溶液的拉曼光谱数据进行去噪研究。结果表明，该方法有效地消除了拉曼光谱中的噪声；与经验模态分解法(EMD)和总体平均经验模态分解法(EEMD)的对比表明，CEEMDAN 去噪法不但在高信噪比的拉曼光谱信号去噪中取得良好的去噪效果，而且在低信噪比的拉曼光谱信号去噪中依然优势明显。

计算数据矩阵中面向列的向量的多尺度、多变量置换熵。 多变量置换熵是一种考虑多个数据向量之间相关性的方法（例如，对于 EEG）。 这是 Morabito 等人 (2012) 提出的 Entropy 大纲的实现。 有关更多详细信息，请参阅文件本身中的文档。

基于DEAP数据集的特征提取———近似熵、排列熵、样本熵， 包含上述三个方法的python代码实现，全部在Jupyter Notebook上实现的

基于遗传算法优化多尺度排列熵参数，类似于粒子群算法优化参数

在研究脑电信号特性的基础上，提出了一种基于CEEMD-PE对脑电信号进行降噪的方法。完全集合经验模态分解（CEEMD）能够克服模态混叠的问题，因此，对脑电信号进行CEEMD分解，得到一组固有模态函数（IMF）分量，计算各个IMF分量的排列熵（PE）值，依据PE的值剔除基本为噪声的IMF分量，将降噪后的分量与保留的分量进行重构，得到降噪后的脑电信号。实验结果表明，用CEEMD-PE对脑电信号进行降噪，在抑制噪声的同时，还有效地保留了脑电信号的细节特性，去噪性能更好。

排列熵matlab程序代码libordpat 版本 0.1.0 版权所有 (c) 2019，塞巴斯蒂安·伯格。 Berger S, Kravtsiv A, Schneider G, Jordan D. 向计算机教授序数模式。 熵。 2019 年； 21（10）：1023。 0. 更改日志 版本 0.1.0 这是初始版本。 一、简介 这是libordpat [1]，一个跨平台软件库，用于从时间序列中提取和编码序数模式 [2]。 它已成功测试可在Windows 、 macOS和GNU/Linux 上运行。 如果出现这种需求，它也可以轻松移植到其他平台。 除了作为 C 函数库之外， libordpat还可以在MATLAB以及GNU Octave和NumPy/Python 中使用。 1.1. 序数模式 实数 m 元组 (x[1], x[2], ..., x[m]) 的序数模式描述了元组元素如何在位置和值方面相互关联。 例如，对于自然数元组 (17, 7, 8) 来说， “有三个元素，第一个最大，第二个最小” 。 因此，它的序数模式可以用一个等级元组 (3, 1, 2) 来表示。 它的长度 m

运用排列熵算法分析了离散混沌系统产生的混沌序列和混沌伪随机序列的复杂性,讨论了混沌系统参数对序列复杂性的影响情况。研究表明:多次粗粒化后得到的混沌伪随机序列保持了原有混沌序列的复杂性特点;与Logistic系统和Henon系统相比,TD-ERCS系统产生的混沌伪随机序列的复杂性大且相对稳定,是一个极具密码学应用价值的安全混沌系统。

多尺度排列熵和多尺度样本熵，写论文时使用过，供参考……

云计算环境下基于MapReduce的并行化排列熵算法.pdf