计算l两段信号的传递熵 传递熵其实就是一个条件分布带来的探测到时间序列间的不对称性

MATLAB相位传递熵代码

三个熵估计器 连续随机变量的熵的三个估计量（一维） entropy_bin()使用常见的直方图方法。 除数据外，还需要指定容器宽度。 entropy_ci()使用一阶相关积分，就像niave核密度估计器一样。 除了数据外，还需要指定一个邻域半径（内核带宽），类似于直方图估计器的（一半）箱宽度。 entropy_nn()使用最近邻居距离的分布。 它不需要可调参数。 通过使用具有各种带宽的一些模拟，我的经验是，最近的邻居估计量具有最低的偏差，但方差最大。 相关积分估计器可能是最好的，尤其是在选择了很好的邻居半径的情况下。 直方图方法倾向于低估熵。 我怀疑使用高斯核的核密度估计器会更好，但是没有实现。

多元时间序列之间的传递熵

基于工业熵数据的传递熵检测过程变量之间的因果关系

针对传统因果关系算法难以准确分析含大量噪声的非线性数据的问题进行了研究，提出基于最大信息传递熵的因果关系建模算法。首先，利用最大信息系数对非线性数据的时序趋势间的关联度进行检测，弱化噪声对变量间相关性的影响；然后根据筛选因子剔除弱相关变量，并通过随机经验估值计算强关联变量间的传递熵，以减少传递熵的计算量；最后，传递熵确定因果关系方向，形成支持链路溯源的单向因果网络。利用经典化工过程数据集对该算法进行测试分析，实验结果表明，相比于现有的因果关系建模算法，该算法可定位异常变量，对12维以上的高维数据建模的稳定性高于85%，因果关系的准确率可达83.33%，实际建模效果优于对比算法，可用于工业控制系统异常检测定位。

利用互信息和传递熵评估HRV神经系统的副交感和交感活动之间的相互作用

matlab中数据校正的代码三醇3 对TR ansfer恩tropy太lbox，一个开源的MATLAB工具箱转让熵估计，参考： TRENTOOL是一个开放源代码的MATLAB工具箱，它使用户可以轻松地处理时间序列中传输熵（TE）估计的相当大的复杂性。 对于与神经数据的使用，TRENTOOL与流行的无缝集成。 TRENTOOL提供以下功能： 传递熵估计 互动延迟的重建 时间分辨传递熵估计 小组分析和统计 多元交互的部分校正 执行 TRENTOOL在MathWorks MATLAB（MathWorks Inc.，内蒂克，马萨诸塞州，2008年）中实现，其中一些功能用NVIDIA CUDA C / C ++代码编写（NVIDIA Corporation，2013年）。 TRENTOOL还利用了MATLAB工具箱和。 用户通过MATLAB脚本（.m文件）与TRENTOOL进行交互。 发行版 要快速入门，请下载最新版本v3.4.2。 所有更改均记录在中。

保守值法matlab代码PMIME和TE 我们通过混合嵌入实现部分条件互信息，以进行多元时间序列的耦合估计。 我们还使用传递熵来实现此方法。 在建议的部分MIME（PMIME）度量中，嵌入在所有观察到的变量上，并且在解释响应变量时进行了优化。 结果表明，PMIME可以正确检测直接耦合，并且胜过（线性）条件格兰杰因果关系和部分转移熵。 而且，我们还使用传递熵代替条件互信息来评估耦合。 环境 Matlab的 Windows或Linux或Mac 步 准备表示长度为K的K时间序列的N x K矩阵的数据。 对使用PMIME或TE的程序进行编码。 function [RM,ecC] = PMIME(allM,Lmax,T,nnei,A,showtxt) function [RM,ecC] = TransferEntropy(allM,Lmax,T,nnei,nsur,alpha,showtxt) 输入 allM：长度为N的K个时间序列的N x K矩阵。 Lmax：搜索混合嵌入矢量的X和Y分量的最大延迟（默认为5）。 T： T向前迈进了混合嵌入向量必须解释的地方。 请注意，如果T> 1，则未来向量的

基于多尺度传递熵的脑肌电信号耦合分析