基于Haar小波与Sharma–Mittal熵的多尺度信号复杂度分析方法

《Axioms》：Wavelet Energy Entropy for Predictability and Cross-Market Similarity in Crude Oil Benchmarks Maria Carannante and Alessandro Mazzoccoli

　　

本文提出一种将Haar小波（Haar wavelet）变换与Sharma–Mittal熵（Sharma–Mittal Entropy, SME）相结合的新方法，用于量化非平稳信号在多尺度分解下的复杂度与不规则性。研究人员以Haar母小波ψHaar(x)经二进膨胀与平移生成小波基族，对原始信号进行离散小波变换（Discrete Wavelet Transform, DWT），获得各尺度的细节系数并归一化为概率分布pi(j)。在此基础上计算各尺度上的Sharma–Mittal熵Hα,βSM(p)，其中α,β∈?+{1}, α≠β，该熵在β→1时退化为Rényi熵（Rényi Entropy），在β=α时退化为Tsallis熵（Tsallis Entropy, 亦称q?熵），在α,β→1时收敛于Shannon熵（Shannon Entropy）。由此构造Wavelet Sharma–Mittal Entropy（WSME）作为多尺度广义熵指标，并通过仿真与实测信号验证该方法捕捉局部突变及区分不同动力学特征的能力。结果表明，WSME提供了一个统一的参数化框架，可在同一体系中兼容经典Shannon、Rényi及Tsallis熵的描述，适用于非广延（non?extensive）系统与非平稳时序的复杂度分析。

论文解读：基于Haar小波与Sharma–Mittal熵的多尺度信号复杂度分析

研究背景与动机

传统的信息熵如Shannon熵（Shannon Entropy）仅从整体分布衡量不确定性，难以反映非平稳信号在不同时间—尺度上的局部变化特征。Rényi熵（Rényi Entropy）与Tsallis熵（Tsallis Entropy，又称q?熵）虽引入单一参数描述非广延（non?extensive）系统的敏感性，但仍缺乏统一双参数框架同时涵盖二者及Shannon情形。小波变换（Wavelet Transform, WT）因具备时—频局部化能力，被广泛应用于多尺度能量分析与信号分解，而将其与小波系数幅值归一化得到的概率分布相结合计算广义熵，即为多尺度熵（Multiscale Entropy, MSE）类方法的思路。然而现有小波熵方法多采用Shannon或Tsallis单种熵形式，未能在一个通用双参数熵度量下系统比较不同熵定义对多尺度复杂度表征的影响。为此，研究人员在《Axioms》发表此文，旨在建立以Haar小波（Haar wavelet）分解为基础、以Sharma–Mittal熵（Sharma–Mittal Entropy, SME）为统一不确定性度量的Wavelet Sharma–Mittal Entropy（WSME）框架，弥补上述不足。

主要关键技术方法

研究人员选取Haar母小波ψ_Haar(x) = {1, 0≤x<1/2; ?1, 1/2≤x<1; 0, otherwise}，经二进伸缩平移生成小波基ψ_j,k(x)=2^?j/2ψ_Haar(2^?jx?k)，对信号f(t)∈L²(?)做离散小波变换得细节系数d_j,k=?f,ψ_j,k?。取第j尺度所有细节系数绝对值构造概率分布p_i^(j)=|d_j,i|/Σ|d_j,i|。在此基础上计算Sharma–Mittal熵H_α,β^SM(p)=(1/(β?1))·{[(Σ_ip_i^α)^{(β?1)/(α?1)}]?1}，其中α,β∈?⁺{1}, α≠β；其特例包括：lim_β→1H_α,β^SM=H_α^R(p)=[1/(1?α)]log(Σ p_i^α)（Rényi熵），β=α时H_α,α^SM(p)=[1/(α?1)](1?Σ p_i^α)（Tsallis熵），α,β→1时H_α,β^SM(p)→?Σ p_ilog p_i（Shannon熵）。最终定义Wavelet Sharma–Mittal Entropy为各尺度j上的H_α,β^SM(p^(j))，构成多尺度广义熵谱。

研究结果

2.1. Haar Wavelet（Haar小波）

研究人员介绍了Haar小波的显式分段定义及其经二进膨胀与平移构成正交小波基的性质，指出Haar小波因其简洁性及捕捉局部跃变的能力被选作分解工具，正交性保证各尺度能量可分离，适合多尺度熵分析。

2.2. Entropies and the Sharma–Mittal Entropy（熵与Sharma–Mittal熵）

研究人员给出离散概率分布p={p₁,…,p_n}（p_i≥0, Σp_i=1）上的Sharma–Mittal熵定义式，说明其含双参数α,β∈?⁺{1}, α≠β，是同时推广Shannon、Rényi及Tsallis熵的统一形式。分别推导了β→1时退化为Rényi熵H_α^R(p)=[1/(1?α)]ln(Σp_i^α)，β=α时退化为Tsallis熵H_α^T(p)=1/(α?1)，以及α,β→1时极限为Shannon熵H(p)=?Σp_ilog p_i。结论为Sharma–Mittal熵可在单一框架内统一三种经典熵，为广义不确定性度量提供灵活性。

2.3. Wavelet Sharma–Mittal Entropy（小波Sharma–Mittal熵）

研究人员将Haar小波多尺度分解所得细节系数归一化为概率分布，逐尺度计算Sharma–Mittal熵，定义为Wavelet Sharma–Mittal Entropy（WSME）。通过此构造，信号在不同分解尺度上的能量分布不规则性得以用可调双参数广义熵量化。研究人员指出Haar小波对局部变化的敏感性配合SME的参数可调性，使WSME能同时反映多尺度结构与不同非广延敏感度的信息，适用于非平稳信号复杂度评估。

讨论与结论

研究人员总结认为，将Haar小波变换与Sharma–Mittal熵结合所定义的Wavelet Sharma–Mittal Entropy（WSME），为多尺度信号复杂度分析提供了一个统一且灵活的参数化框架。该框架在α,β取特定值时分别还原为基于Shannon、Rényi或Tsallis熵的小波熵，克服了传统小波熵仅依赖单一熵度量的局限。WSME既可借助Haar小波捕捉信号的局部突变与多尺度能量分布，又可通过双参数调节对非广延系统概率分布的敏感度，因而特别适合非平稳时序及复杂动力系统信号的不确定性量化。论文表明Sharma–Mittal熵作为广义信息测度在信号处理领域的适用性，WSME有望拓展至多尺度熵分析、生理信号分析及非广延物理系统的复杂度研究中。