Reconstruction and analysis of the state space for the identification of dynamical states in real-world time series

Abstract

One of the main goals of analyzing a high-dimensional time series is to identify structures in it. Some of these structures correspond to important dynamical features in the underlying system, like different dynamical states and the transitions between these. In this thesis we introduce two new methodologies for the identification of different dynamical features in a system from the analysis of a real-world time series. We focus in the dynamical features corresponding to the different dynamical metastable states (in a system with multiple and well distinguished time scales, these can be understood as the attractors associated to each of the different time scales) in a system and the transitions between dynamical regimes in a system. Our first method is designed for the identification of different dynamical metastable states, and takes a recurrence analysis approach. The results provided by this method seem to be robust to the introduction of noise and missing points. Our second method is designed for the identification of transitions between different dynamical regimes, and takes an algebraic topological approach. It seems that our second method is, by construction, also robust to the noise and outliers in the data. However, it is still not sensitive enough to identify dynamical transitions where the shape of the attractors in a system suffer small changes. Given that both methods introduced in this thesis rely on the geometrical analysis of the state space, another issue treated in this thesis is the reconstruction of the state space from a complex time series. In this thesis, our criteria for an adequate state space reconstruction are given in terms of the gain or loss of geometrical information. These criteria are specifically developed for each of the approaches taken for every method: recurrence analysis and persistent homology.

Die Identifizierung der Strukturen ist ein der Hauptziele der Analyse einer hochdimensionalen Zeitreihe. Einige dieser Strukturen entsprechen wichtigen dynamischen Eigenschaften in einem System, wie verschiedene dynamische Zustände und die Übergänge zwischen denen. In dieser Dissertation stellen wir zwei neue Methoden für die Analyse des Real-World- Zeitreihen dar, die verschiedene dynamische Eigenschaften in einem System identifizieren. Wir fokussieren uns auf die Identifizierung der unterschiedlichen dynamischen metastabilen Zuständen in einem System (in einem System mit mehreren, unterscheidbaren Zeitskalen, kann jede Zeitskala mit verschiedenen Attraktoren verbunden sein) und auf die Übergänge zwischen verschiedenen dynamischen Regimen in einem System. Unsere erste Methode identifiziert verschiedene dynamische metastabile Zustände. Diese Methode ist in dem Rekurrenz-Analyse- Ansatz geankert. Die Ergebnisse dieser Methode sind scheinbar gegen die Rauscheneinführung und fehlende Datenpunkte robust. Unsere zweite Methode identifiziert, die Übergänge zwischen verschiedenen dynamischen Regimen. Diese Methode ist auf einer algebraischen topologischen Ansatz basiert. Es scheint, dass unsere zweite Methode gegen die Rauschen-Einführung und Ausreisser in den Daten robust ist. Es ist jedoch immer noch nicht empfindlich genug, dynamische Übergängen, wo die Form der Attraktoren in einem System kleine Änderungen ausweist, zu identifizieren. Da beide in dieser Arbeit vorgestellte Methoden auf die geometrische Analyse des Phasenraums beruhen, wird in dieser Arbeit des Weiteren die Rekonstruktion des Phasenraums von komplexen Zeitreihen behandelt. In dieser Dissertation, beziehen sich unsere Kriterien für eine angemessene Phasenraumrekonstruktion auf den Gewinn oder Verlust der geometrischen Informationen. Diese Kriterien sind speziell für jeden Ansatz bei den jeweiligen Methoden entwickelt worden: Rekurrenz-Analyse und persistente Homologie.