当前位置：首页 > news >正文

数据科学与SQL：如何计算排列熵？| 基于SQL实现

news 2025/6/29 12:40:35

0 引言

1 排列熵的计算原理

2 数据准备

3 问题分析

4 小结

0 引言

把“熵”应用在系统论中的信息管理方法称为熵方法。熵越大，说明系统越混乱，携带的信息越少；熵越小，说明系统越有序，携带的信息越多。在传感器信息处理中，可以利用熵方法描述传感器信号的特征，进而对传感器信号进行有效分析。

排列熵（Permutation Entropy, PE）作为一种衡量一维时间序列复杂度的平均熵参数，它不仅能够度量一个非线性信号的不确定性，而且具有计算简单、抗噪声能力强等优点。因此，可以选择排列熵对IMF中包含的故障特征进行提取。通过集合经验模态分解后得到的每个IMF分量包含传感器信号在不同时间尺度下的特征。通过计算各个IMF分量的排列熵值并把它们组成特征向量，能够有效地突出在多尺度下的传感器故障特征。

1 排列熵的计算原理

对于某个长度为n的排列x，其元素分别为x1,x2,...,xn

①采用相空间重构延迟坐标法对一维时间序列x中任意一个元素x(i)进行相空间重构，得到如下矩阵：

其中，j=1, 2，…，K, K为重构分量的数目，m为嵌入维数，τ为延迟时间，x(j)为重构矩阵的第j行分量。

②对x(i)的重构向量的各元素进行升序排列，得到j1, j2，…，jm。m维相空间映射下最多可以得到m！个不同的排列模式，P(l)表示其中一种排列的模式

其中，l=1, 2，…，k，且k≤m！。

③对x序列各种排列情况下出现次数进行统计，计算各种排列情况出现的相对频率

其概率为p1, p2，…，pk。

④信号排列模式的熵为：

⑤计算序列归一化后的排列熵为：
当P j = 1 / m ! ，也就是每种符号都有且它们的概率都相等，此时时间序列的复杂程度最高，所以排列熵最大，为 ln(m!)。另外，为了方便表示，通常会将H(m)除以一个 ln(m!)来归一化，这样

$0=<H(m) / log_{_2{m!}}<=1$

计算举例：

按照步骤举个例子，便于理解：

x={2,4,5,6,3,7,1}，其长度n=7

1. 设嵌入维度m=3（3-neightborhood），时间延迟t=1（没有skip）

2. 得到k=n-(m-1)t=5个子序列，即：

(1) 2,4,5

(2) 4,5,6

(3) 5,6,3

(4) 6,3,7

(5) 3,7,1

3. 转换为大小关系的排列，分别为：

针对每个子序列K,对其值从小到大排序（如果值相同按照索引排序），返回对应的索引值。

注意此处有两种理解方式：

（1）该数排在第几个位置

例如【5，6，3】，该数排名后的位置为【2，3，1】

解释：5这个数排在第2个位置，6这个数排在第3个位置，3这个数排在第一个位置，所以返回【2，3，1】

（2）排在该位置【1，2，3】的是第几个数

例如【5，6，3】，其排序后的索引为【3，1，2】

解释：排在第一个位置的元素索引是3，排在第2个位置的元素索引是1，排在第三个位置的元素索引是2，所以返回【3，1，2】

这两种情况都不影响最终的结果.本文采取第一种类型计算结果如下：

(1) 1,2,3

(2) 1,2,3

(3) 2,3,1

(4) 2,1,3

(5) 2,3,1

4. 以上排列共有3种，分别为2次(1,2,3)，2次(3,1,2）和1次(2,1,3)，这些排列的概率分别为：

(1) P(1,2,3) = 2/5

(2) P(2,3,1) = 2/5

(3) P(2,1,3) = 1/5

5. 计算信息熵，得到H(3)= 0.4*log2(2.5)+0.4*log2(2.5)+0.2*log2(5)=1.5219

2 数据准备

create table permutation_entropy as(select stack(7,1, '2',2, '4',3, '5',4, '6',5, '3',6, '7',7, '1') as (id, data));

3 问题分析

第一步：计算m=3,t=1时分割的数据块

select id,data,data_block
from (select id,data,collect_list(data) over (order by id rows between current row and 2 following) data_blockfrom permutation_entropy) t
where size(data_block) >= 3

第二步：计算块中从小到大排序后的索引

select id,data_block,pos + 1  pos,tmp.data data,row_number() over (partition by data_block order by tmp.data) rn
from (select id,data,data_blockfrom (select id,data,collect_list(data) over (order by id rows between current row and 2 following) data_blockfrom permutation_entropy) twhere size(data_block) >= 3) data_blocklateral view posexplode(data_block) tmp as pos, data

其中POS字段即为返回的索引值。

返回索引数组SQL如下：

select id,data_block,collect_list(pos) pos_arrfrom (select id,data_block,pos + 1                                                       pos,tmp.data                                                      data,row_number() over (partition by data_block order by tmp.data) rnfrom (select id,data,data_blockfrom (select id,data,collect_list(data)over (order by id rows between current row and 2 following) data_blockfrom permutation_entropy) twhere size(data_block) >= 3) data_blocklateral view posexplode(data_block) tmp as pos, data) tgroup by id, data_block

第三步：计算分块排列后的概率

with pos as (select id,data_block,collect_list(pos) pos_arrfrom (select id,data_block,pos + 1                                                       pos,tmp.data                                                      data,row_number() over (partition by data_block order by tmp.data) rnfrom (select id,data,data_blockfrom (select id,data,collect_list(data)over (order by id rows between current row and 2 following) data_blockfrom permutation_entropy) twhere size(data_block) >= 3) data_blocklateral view posexplode(data_block) tmp as pos, data) tgroup by id, data_block)
select pos_arr, count(1) data_block_cnt, max(ttl_cnt) ttl_cnt, cast(count(1) / nullif(max(ttl_cnt),0) as decimal(18,4))  p
from(select id,data_block,pos_arr,count(1) over () ttl_cntfrom pos) t
group by  pos_arr

第四步：按照熵的公式计算最终结果

with pos as (select id,data_block,collect_list(pos) pos_arrfrom (select id,data_block,pos + 1                                                       pos,tmp.data                                                      data,row_number() over (partition by data_block order by tmp.data) rnfrom (select id,data,data_blockfrom (select id,data,collect_list(data)over (order by id rows between current row and 2 following) data_blockfrom permutation_entropy) twhere size(data_block) >= 3) data_blocklateral view posexplode(data_block) tmp as pos, data) tgroup by id, data_block)
selectcast(-sum(p*log2(p)) as decimal(18, 4)) permutation_entropy
from(select pos_arr, count(1)                                                   data_block_cnt, max(ttl_cnt)                                               ttl_cnt, cast(count(1) / nullif(max(ttl_cnt), 0) as decimal(18, 4)) pfrom (select id,data_block,pos_arr,count(1) over () ttl_cntfrom pos) tgroup by pos_arr) t

第六步：计算归一化结果.

为了将熵值的范围调整到 0 到 1 的范围内，进行数据归一化

with pos as (select id,data_block,collect_list(pos) pos_arrfrom (select id,data_block,pos + 1                                                       pos,tmp.data                                                      data,row_number() over (partition by data_block order by tmp.data) rnfrom (select id,data,data_blockfrom (select id,data,collect_list(data)over (order by id rows between current row and 2 following) data_blockfrom permutation_entropy) twhere size(data_block) >= 3) data_blocklateral view posexplode(data_block) tmp as pos, data) tgroup by id, data_block)
select permutation_entropy, cast( permutation_entropy / log2(3*2*1) as  decimal(18, 4)) normal_permutation_entropy
from(select cast(-sum(p * log2(p)) as decimal(18, 4)) permutation_entropyfrom (select pos_arr, count(1)                                                   data_block_cnt, max(ttl_cnt)                                               ttl_cnt, cast(count(1) / nullif(max(ttl_cnt), 0) as decimal(18, 4)) pfrom (select id,data_block,pos_arr,count(1) over () ttl_cntfrom pos) tgroup by pos_arr) t) t

4 小结

本文利用SQL语言实现了时间序列分析时常用的特征排列熵。排列熵只能反映当前一维时间序列的复杂度。考虑到外界温度、天气等因素的影响，信号也可能会突变，产生噪声，因此需要排除噪声的干扰。排列熵作为衡量时间序列复杂程度的指标，越规则的时间序列，它对应的排列熵越小；越复杂的时间序列，它对应的排列熵越大。但是这样的结果是建立在合适的 m 的选择的基础上的，如果 m 的选取很小，如1或者2的话，那么它的排列空间就会很小（1!、2!）。由排列熵的计算过程看出，排列熵的值与嵌入维数m、延迟时间t及数据长度N有关。文献研究表明，嵌入维数m为4～8时，对传感器不同状态下的信号区分度良好。实际上，当嵌入维数m<4时，排列熵无法准确地检测出传感器信号中的动态变化，而当m>8时，不仅会使排列熵的计算量增大，而且会使排列熵的变化范围变窄而难于准确地衡量信号复杂度。延迟时间t的取值对排列熵的影响不大。但是，当t>5时，排列熵不能准确地检测传感器信号中的微小变化。数据长度N也是影响排列熵计算结果的重要参数，N值过大时会把信号平滑，不能准确地衡量信号的动态变化。N值也不能太小，否则，计算结果将失去统计意义。

参考文献：

刘永斌.基于非线性信号分析的滚动轴承状态监测诊断研究[D].合肥：中国科学技术大学，2011.

Christoph B, Bernd P.Permutation entropy: a natural complexity measure for time series [J].Physical Review Letters, 2002, 88(17):174102.