Корреляционная размерность¶

Корреляционная размерность — это мера фрактальной размерности множества точек в многомерном пространстве, оцениваемая на основе корреляционного интеграла. Она относится к классу размерностей, определяемых через вероятностные распределения (размерности Реньи), и является одной из наиболее распространённых и практически удобных оценок фрактальной размерности аттракторов динамических систем. В отличие от размерности Хаусдорфа или ёмкости Минковского, корреляционная размерность не требует покрытия множества элементами заданной формы, а вычисляется непосредственно по набору данных, что делает её пригодной для анализа экспериментальных временных рядов.

¶Определение и математическая основа

Пусть дано множество точек \( \{x_i\}_{i=1}^N \) в \( m \)-мерном евклидовом пространстве. Корреляционный интеграл \( C(r) \) определяется как доля пар точек, расстояние между которыми не превышает \( r \):

\[ C(r) = \frac{1}{N(N-1)} \sum_{i=1}^N \sum_{j=1, j \neq i}^N \Theta(r - \|x_i - x_j\|), \]

где \( \Theta \) — функция Хевисайда (равна 1, если аргумент неотрицателен, и 0 в противном случае). Для фрактальных множеств в некотором диапазоне масштабов \( r \) выполняется степенной закон:

\[ C(r) \sim r^{D_2}, \]

где \( D_2 \) и есть корреляционная размерность. На практике её оценивают как наклон графика зависимости \( \ln C(r) \) от \( \ln r \) в области линейного участка (метод наименьших квадратов).

Корреляционная размерность является частным случаем обобщённой размерности Реньи \( D_q \) при \( q = 2 \). Для однородных фракталов все размерности Реньи совпадают, но для мультифракталов они различаются: \( D_2 \leq D_1 \leq D_0 \), где \( D_0 \) — ёмкость (фрактальная размерность), а \( D_1 \) — информационная размерность.

¶История

Понятие корреляционной размерности было введено в 1983 году физиками Питером Грассбергером и Итамаром Прокаччей в работе «Characterization of Strange Attractors» (Physical Review Letters, 1983). Они предложили алгоритм, позволяющий оценивать размерность аттрактора непосредственно по временному ряду, используя метод задержек Такенса для реконструкции фазового пространства. Этот подход стал прорывом в анализе хаотических систем, так как до этого фрактальные размерности вычислялись только для теоретических моделей или искусственно созданных множеств.

¶Алгоритм вычисления

¶Метод Грассбергера — Прокаччи

Реконструкция фазового пространства. По скалярному временному ряду \( \{u_t\}_{t=1}^T \) строится набор \( m \)-мерных векторов задержек: \( x_i = (u_i, u_{i+\tau}, u_{i+2\tau}, \dots, u_{i+(m-1)\tau}) \), где \( \tau \) — временная задержка (обычно выбирается через автокорреляционную функцию или взаимную информацию), \( m \) — размерность вложения.
Вычисление корреляционного интеграла. Для набора \( N \) векторов \( x_i \) рассчитывается \( C(r) \) для последовательности значений \( r \).
Оценка размерности. Строится график \( \ln C(r) \) от \( \ln r \). На нём выделяется линейный участок (скейлинговый диапазон), и его наклон даёт оценку \( D_2 \). Процедура повторяется для разных \( m \); если оценка стабилизируется с ростом \( m \), это свидетельствует о наличии детерминированного хаоса.

¶Практические трудности

Выбор \( \tau \). Слишком малое \( \tau \) приводит к корреляции соседних компонент (ложная близость точек), слишком большое — к потере информации.
Размерность вложения \( m \). Должна быть не менее \( 2D_2 + 1 \) (теорема Такенса), но на практике берут с запасом.
Краевые эффекты. Для малых \( r \) дискретность данных и шум искажают степенной закон; для больших \( r \) \( C(r) \) насыщается (все пары точек попадают в радиус).
Объём выборки. Для получения надёжной оценки требуется \( N \gg 10^{D_2} \) точек, что при высокой размерности делает вычисления непрактичными.

¶Применение

¶Анализ хаотических систем

Корреляционная размерность широко используется для идентификации детерминированного хаоса в экспериментальных данных. Если для временного ряда наблюдается насыщение оценки \( D_2 \) при увеличении размерности вложения \( m \), это указывает на то, что динамика порождается низкоразмерным аттрактором. В противном случае данные могут быть случайными (шумом) или иметь очень высокую размерность.

¶Физика и инженерия

Гидродинамика: оценка размерности аттрактора турбулентного течения (например, в конвекции Рэлея — Бенара).
Лазерная физика: анализ хаотических режимов лазеров.
Механика: диагностика вибраций машин и механизмов (подшипников, роторов) — изменение корреляционной размерности может указывать на развитие дефекта.

¶Биология и медицина

Электроэнцефалография (ЭЭГ): корреляционная размерность сигналов ЭЭГ используется для оценки сложности мозговой активности. Установлено, что при эпилептических припадках размерность снижается, а во время сна или когнитивной нагрузки — изменяется характерным образом.
Электрокардиография (ЭКГ): анализ вариабельности сердечного ритма с помощью \( D_2 \) позволяет различать здоровых пациентов и больных с сердечной недостаточностью.
Нейробиология: исследование нейронных сетей и паттернов активности.

¶Экономика и финансы

Корреляционная размерность применяется для анализа временных рядов фондовых индексов, валютных курсов и других финансовых данных. Низкая размерность может указывать на наличие детерминированной хаотической компоненты, что ставит под сомнение гипотезу эффективного рынка. Однако результаты часто спорны из-за шума и нестационарности экономических рядов.

¶Климатология и геофизика

Анализ временных рядов температуры, осадков, уровня воды в реках.
Оценка размерности аттрактора климатической системы (например, для модели Лоренца).

¶Связь с другими размерностями

Корреляционная размерность \( D_2 \) является нижней оценкой для фрактальной размерности (ёмкости) \( D_0 \). Для самоподобных фракталов, таких как ковёр Серпинского или кривая Коха, все три размерности (\( D_0, D_1, D_2 \)) совпадают. Для мультифракталов (например, множества Жюлиа или странных аттракторов) выполняется неравенство \( D_2 < D_1 < D_0 \). Разность \( D_0 - D_2 \) может служить мерой неоднородности распределения точек на аттракторе.

¶Критика и ограничения

Чувствительность к шуму. Даже небольшой аддитивный шум может существенно исказить оценку, особенно при малых \( r \).
Нестационарность. Метод предполагает, что данные порождены стационарной динамической системой. Для нестационарных процессов (например, с трендами или переключениями режимов) результаты могут быть некорректны.
Субъективность выбора параметров. Выбор \( \tau \), \( m \) и диапазона \( r \) для линейного участка часто требует экспертного суждения и может влиять на результат.
Высокая размерность. При \( D_2 > 5 \) требуемый объём выборки становится астрономическим, что делает метод непрактичным для систем с размерностью выше 5–6.

¶Источники

Grassberger P., Procaccia I. Characterization of Strange Attractors // Physical Review Letters. — 1983. — Vol. 50, № 5. — P. 346–349.
Grassberger P., Procaccia I. Measuring the Strangeness of Strange Attractors // Physica D: Nonlinear Phenomena. — 1983. — Vol. 9, № 1–2. — P. 189–208.
Kantz H., Schreiber T. Nonlinear Time Series Analysis. — Cambridge University Press, 2004. — 369 p.
Abarbanel H. D. I. Analysis of Observed Chaotic Data. — Springer, 1996. — 272 p.
Малинецкий Г. Г., Потапов А. Б. Нелинейная динамика и хаос: основные понятия. — М.: Либроком, 2011. — 240 с.