-
Notifications
You must be signed in to change notification settings - Fork 1
/
Copy pathnonlinear-multiplefliesPreprocessedmany.R
303 lines (225 loc) · 13 KB
/
nonlinear-multiplefliesPreprocessedmany.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
setwd("C:/Users/Students/Desktop/downsampling christian")
require("nonlinearTseries")
require("beepr")
#filename = id_table1[i]
Prediction<- NULL
Prediction2<- NULL
Params<-NULL
Tests<-NULL
Observed<-NULL
Observed2<-NULL
# esto se va a incluir en futuras versiones del paquete, es util para utilizar
# vectores en el argumento prediction.step... recomendado!
nonLinearPredict = Vectorize(nonLinearPrediction, vectorize.args = "prediction.step")
nonLinearPredict2 = Vectorize(nonLinearPredict, vectorize.args = "radius")
message("Enter the prefix for the saved files")
Textname<- scan(n=1,what= character())
data = read.table(file.choose(), header = TRUE, sep = "\t", quote = "\"" ,
dec = ".", fill = TRUE, comment.char = "")
data = na.omit(data)
diffdata<-paste("diff",colnames(data))
each<-NULL
differenced<-NULL
for (i in 1:length(diffdata)){
each<-diff(data[,i])
differenced<- cbind(differenced,each)
}
colnames(differenced)<-diffdata
for (i in 1:length(diffdata)){
use.ts = differenced[,i]
#Sampling<- diff(data$t.s.)
### For modelling a white noise ts with same SDev
#SDev<-sd(Sampling)
#ts2approx<-cbind(data$t.s.,data$diff)
#interpolated<-approx(ts2approx[,1],ts2approx[,2],xout=seq(1,data$t.s.[length(data$t.s.)],30))
#use.ts<- interpolated$y
#plot(use.ts,type="l")
#use.ts = rnorm(length(data$diff), mean=0, sd=SDev)
### For modelling a fully deterministic time series-----------
#x<- sin(seq(1,length(data$diff), by=1/8))
#plot(x,type="l")
#xs <- seq(-2*pi,2*pi,pi/1500)
#wave.1 <- sin(30*xs)
#wave.2 <- sin(100*xs)
#use.ts <- 0.5 * wave.1 + 0.25 * wave.2
#plot(xs,use.ts,type="l",col="red",ylim=c(-1,1)); abline(h=0,lty=3)
# nonlinear testing --------------------------------------------------------
# Idealmente lo primero que deberiamos hacer es testear si la serie temporal
# que queremos analizar tiene caracteristicas no-lineales. Lo cierto es que
# es un tema complicado. Para iniciarte puedes echarle un vistazo a la viñeta
# y leer el articulo
# "Testing for nonlinearity in time series: the method of surrogate data" de
# Theiler. En este script nos lo saltamos
#output<- paste(id_table1[i],".pdf", sep="")
#pdf(file= output)
# time lag selection ------------------------------------------------------
# Aqui preguntas para que es n.partitions. Para calcular la Average Mutual
# Information es necesario construir un histograma de la serie temporal
# echale un vistazo a la ayuda de mutualInformation). n.partitions es el
# numero de bins que usamos para construir este histograma
LAG <- timeLag(use.ts, technique = "ami",selection.method = "first.e.decay",lag.max = 20, do.plot = TRUE)
# selecting the embedding dim ---------------------------------------------
emb.dim = estimateEmbeddingDim(use.ts, threshold = 0.95,
time.lag = LAG, max.embedding.dim = 25)
# theiler window selection ------------------------------------------------
# el plot puede interpretarse como sigue: cada uno de las lineas indica
# la distancia que tienes que moverte en el espacio de fases (epsilon)
# para encontrar un porcentaje concreto de vecinos dependiento de la separacion
# temporal. Para distancias temporales pequeñas se suelen encontrar
# valores de radio pequeños debido a correlaciones temporales. Dado que
# queremos evitar estas correlaciones temporales, debemos elegir como valor
# para la theiler window un valor temporal en el que las lineas de contorno saturen.
# En este caso podemos elegir un valor de 5 para la theiler window.
spaceTime = spaceTimePlot(time.series = use.ts,time.lag = LAG,
embedding.dim = emb.dim,
number.time.steps = 40,type="b")
#message("please enter the theiler window according to the graph")
#theilerw = scan(n=1,what= numeric())
theilerw = 30
# correlation dimension ---------------------------------------------------
# Los valores de los radios se seleccionan de forma que C(r) vaya de valores
# pequeños (por ejemplo, 1e-5) hasta 1. El orden de magnitud de los radios
# se puede estimar observando la time series. La serie diferencia tiene un
# rango de -1 a 1 (approx). Asi pues, un valor adecuado para el radio maximo
# sera del orden de magnitud de 1
corr.dim = corrDim(use.ts, min.embedding.dim = emb.dim,
max.embedding.dim = emb.dim + 7,
time.lag = LAG,
min.radius = 0.04, max.radius = (max(use.ts)-min(use.ts))/2,
n.points.radius = 45,
theiler.window = theilerw,
do.plot = TRUE)
message("please enter the parameters for the estimation of the correlation dimension")## TODO: take a corr.dim$corr.matrix and find the max slope and so it is automatically
regression.range.min = 0.05 #scan(n=1,what= numeric())
message("please enter the parameters for the estimation of the correlation dimension")
regression.range.max = 0.1 #scan(n=1,what= numeric())
message("please enter the parameters for the estimation of the correlation dimension")
use.embeddings.min = corr.dim$embedding.dims[5]
message("please enter the parameters for the estimation of the correlation dimension")
use.embeddings.max = corr.dim$embedding.dims[8]
#output<- paste(diffdata[i],".pdf", sep="")
#pdf(file= output)
# Basandonos en el grafico anterior podemos ver un pequeño plateau para
# los valores comprendidos entre 0.1 y 0.3 (aproximadamente) para los
# valores mas altos de la embedding dim. Obtenemos la estimacion final
# especificando estos valores en la funcion estimate
#plot(Sampling)
D<- estimate(corr.dim,regression.range = c(regression.range.min,regression.range.max),use.embeddings = use.embeddings.min:use.embeddings.max,do.plot = T)
#While
#a non integer saturating correlation dimension is
#usually indicative of chaos in the system, it may
#be noted that there are a certain class of deter-
# ministic non linear systems which are strange and
#non-chaotic, i.e. they exhibit fractal nature but do
#not exhibit chaos
# information dimension ---------------------------------------------------
# La information dimension es una variacion de la correlation dimension
# que se puede relacionar con el concepto de entropia (en el sentido de
# informacion). La estimacion es similar a la correlation dimension
# lyapunov ----------------------------------------------------------------
# La estimacion sigue el mismo procedimiento que la correlation dimension. Puedes
# consultar la vi;eta para un ejemplo.
# recurrence plot ---------------------------------------------------------
# Si ves un bloque negro en la recurrence plot es porque has seleccionado
# un radio demasiado elevado. Nos interesan radios no muy grandes para obtener
# una matriz de recurrencia dispersa.Yo emplearia rqa en vez de recurrence plot
# ya que produce la misma figura y nos da una cuantificacion de la matriz
# de recurrencia. Para entender que significan los valores
# obtenidos con el RQA http://www.recurrence-plot.tk/rqa.php
#message("please enter the radius for the recurrence plot")
#r = scan(n=1,what= numeric())
#rqa.res = rqa(time.series=use.ts,
# embedding.dim = emb.dim,time.lag=LAG,
# radius = r)
#plot(rqa.res)
# dfa ---------------------------------------------------------------------
# Este no es un metodo no lineal en si mismo, si no un metodo de analisis
# fractal. Esta incluido en el paquete porque los metodos fractales
# se emplean mucho para caracterizar series complejas (como las no lineales)
######################## Lo que yo anado
detrend = dfa(use.ts,
window.size.range = c(10, 400),
npoints = 20,do.plot=TRUE)
detr.fluct<-estimate(detrend,regression.range = c(30,300))
# un valor cercano a 0.5 indica que, en el caso de modelar la serie como un
# proceso puramente aleatorio, un modelo adecuado podria ser ruido blanco.
ml<-maxLyapunov(use.ts, min.embedding.dim = 2, #from nonlinearTseries
max.embedding.dim = emb.dim+4, time.lag = LAG, radius=1,
theiler.window = theilerw, min.neighs = 5, min.ref.points = 500,
max.time.steps = 10,
do.plot = TRUE)
plot(ml)
ml.estimation = estimate(ml,regression.range = c(0,15),
use.embeddings=2:emb.dim+4,
do.plot = TRUE)
#surrogate data test
st = surrogateTest(use.ts,significance = 0.05,one.sided = F,
FUN = timeAsymmetry, do.plot=T)
#sample entropy
se = sampleEntropy(corr.dim, do.plot = T)
se.est = estimate(se, do.plot = T,
regression.range = c(0,2))
EstimatedEntropy<- mean(se.est)
## prediction
for (oo in 1:8){
beep(1)
message("please enter the radius")
radius = scan(n=3,what= numeric())
# obtenemos predicciones para las proximas 500 (prediction.step) muestras basandonos
#en las 4000 primeras muestras de x
prediction = nonLinearPredict2 (use.ts[1:round(length(use.ts)/2)], embedding.dim = emb.dim, time.lag = LAG, radius = c(0.0005,radius),
radius.increment = 0.001, prediction.step = 1:40)
# comparamos... Fijate como la prediccion va empeorando a medida que pasa el tiempo. Esto
# es tipico de sistemas no lineales
plot(use.ts[(round(length(use.ts)/2)+1):(round(length(use.ts)/2)+40)], type = "l", ylim = range(use.ts[(round(length(use.ts)/2)+1):(round(length(use.ts)/2)+40)], Prediction))
lines(prediction[,1], type = "l", col = 2)
lines(prediction[,2], type = "l", col = 3)
lines(prediction[,3], type = "l", col = 4)
lines(prediction[,4], type = "l", col = 5)
beep(2)
message("Is the prediction fine?y/n")
PredictionAnswer = scan(n=1,what= character())
if(PredictionAnswer== "y") break
}
for (oo in 1:8){
beep(1)
message("please enter the radius")
radius2 = scan(n=3,what= numeric())
# obtenemos predicciones para las proximas 500 (prediction.step) muestras basandonos
#en las 4000 primeras muestras de x
prediction2 = nonLinearPredict2 (use.ts[1:(length(use.ts)-2000)], embedding.dim = emb.dim, time.lag = LAG, radius = c(0.0005,radius2),
radius.increment = 0.001, prediction.step = 1:40)
# comparamos... Fijate como la prediccion va empeorando a medida que pasa el tiempo. Esto
# es tipico de sistemas no lineales
plot(use.ts[((length(use.ts)-2000)+1):((length(use.ts)-2000)+40)], type = "l", ylim = range(use.ts[((length(use.ts)-2000)+1):((length(use.ts)-2000)+40)], Prediction2))
lines(prediction[,1], type = "l", col = 2)
lines(prediction[,2], type = "l", col = 3)
lines(prediction[,3], type = "l", col = 4)
lines(prediction[,4], type = "l", col = 5)
beep(2)
message("Is the prediction fine?y/n")
PredictionAnswer = scan(n=1,what= character())
if(PredictionAnswer== "y") break
}
manytests<-nonlinearityTest (time.series=use.ts, verbose = TRUE)
#denoised<-nonLinearNoiseReduction(time.series=use.ts, embedding.dim=emb.dim, radius=0.1)
#plot(denoised,type="l")
#print(D,rqa.res,mean(se.est),ml.estimation)
#dev.off()
Observed<-c(Observed,use.ts[(round(length(use.ts)/2)+1):(round(length(use.ts)/2)+40)])
Observed2<-c(Observed2,use.ts[((length(use.ts)-2000)+1):((length(use.ts)-2000)+40)])
Prediction<- cbind(Prediction,prediction)
Prediction2<- cbind(Prediction2,prediction2)
ifelse(i==1, Params <- data.frame("Fly name"=diffdata[i], "Corr Dim"=D,"Lyapunov Exp"=ml.estimation,"Sample entropy estimate"=EstimatedEntropy,"detrend fluctuation analysis"=detr.fluct, "Surrogate statistic"=st$data.statistic,
"Min Regr. range"= regression.range.min , "Max Regr. range"= regression.range.max , "Min dim regression"= use.embeddings.min, "Max dim regression"=use.embeddings.max,"TheilerWind"= theilerw,"Prediction radius"= radius, "Prediction radius2"= radius2)
, Params[i,1:ncol(Params)] <- c(diffdata[i], D,ml.estimation,EstimatedEntropy,detr.fluct,st$data.statistic, regression.range.min , regression.range.max , use.embeddings.min, use.embeddings.max, theilerw, radius,radius2))
ifelse(i==1, Tests<- data.frame("Terasvirta"= manytests$Terasvirta$p.value, "White"= manytests$White$p.value, "Keenan"= manytests$Keenan$p.value, "McLeodLi"= mean(manytests$McLeodLi$p.values), "Tsay"=manytests$Tsay$p.value, "TarTest"= manytests$TarTest$p.value)
, Tests[i,1:ncol(Tests)] <- c(manytests$Terasvirta$p.value, manytests$White$p.value, manytests$Keenan$p.value, mean(manytests$McLeodLi$p.values), manytests$Tsay$p.value, manytests$TarTest$p.value))
}
write.table(Params, paste(Textname,"Spontaneity.txt",sep=""), sep="\t", row.names = FALSE,col.names = FALSE)
write.table(Prediction, paste(Textname,"Pred.txt",sep=""), sep="\t", row.names = FALSE,col.names = FALSE)
write.table(Prediction2, paste(Textname,"Pred2.txt",sep=""), sep="\t", row.names = FALSE,col.names = FALSE)
write.table(Tests, paste(Textname,"Tests.txt",sep=""), sep="\t", row.names = FALSE,col.names = FALSE)
write.table(Observed, paste(Textname,"Observed.txt",sep=""), sep="\t", row.names = FALSE,col.names = FALSE)
write.table(Observed2, paste(Textname,"Observed2.txt",sep=""), sep="\t", row.names = FALSE,col.names = FALSE)
beep(3)