ترجمه مقاله Enhanced scaling crossover detection in long-range correlated time series

ترجمه مقاله تشخیص مقیاس بندی  همگذر پیشرفته در سری های زمانی همبسته دوربرد

مقاله مربوط به سال 2025 است و شامل 16 صفحه متن انگلیسی pdfو 33 صفحه متن ترجمه شده فارسی به صورت word و pdf می باشد

نمونه ترجمه :

چکیده:

سری‌های زمانی مختلف، مانند سیگنال‌های بیولوژیکی و قیمت سهام، همبستگی‌های دوربرد و ماهیت فراکتالی(الگوهای هندسی تکرار شوند) را نشان می‌دهند که با مقیاس‌گذاری قانون- قدرت در محدوده کم بسامد طیف توان مشخص می‌شود. به جای تحلیل طیفی توان، روش‌های تحلیل مقیاس‌پذیری مانند تحلیل نوسانات کاهش‌یافته (DFA  )و تحلیل میانگین متحرک کاهش روند (DMA )برای تخمین توان مقیاس‌بندی استفاده شده‌اند. نتایج تجزیه و تحلیل مقیاس‌پذیری اغلب پدیده‌های متقاطع را آشکار می‌کنند و دو ناحیه مقیاس‌بندی مجزا را برجسته می‌کنند – یک توان کوتاه و یک  برد بلند. تخمین دو توان مقیاس بندی مربوطه و نقطه متقاطع بسیار مهم است، زیرا آنها می توانند بینشی در مورد مکانیسم های زیربنایی یا دینامیک های مختلف در مقیاس های مختلف ارائه دهند. با این حال، DFA و DMA با روند کاهشی مرتبه بالاتر تمایل به تحریف مقیاس‌های زمانی دارند، و روش‌هایی برای تخمین دقیق متقاطع به طور کامل بررسی نشده‌اند. این مطالعه به اعوجاج مقیاس در DFA و DMA درجه بالاتر با اعمال اهرم رابطه بین تابع نوسان و طیف توان سری های زمانی می پردازد. ما روشی را برای تخمین متقاطع با استفاده از فیلتر تفکیک Savitzky-Golay پیشنهاد می‌کنیم. به کارگیری این روش برای آزمایش‌های عددی با فرآیند خودرگرسیون(خود پسروی) که متقاطع‌ها را نشان می‌دهد، نشان داد که روش پیشنهادی ما، متقاطع‌ها را دقیق‌تر از روش‌های رگرسیون (پسروی) تقسیم‌بندی شده مرسوم مورد استفاده در DFA و DMA تخمین می‌زند. ما روش تخمین متقاطع مقیاس‌بندی پیشنهادی را برای سری‌های زمانی مرکز فشار وضعی (CoP ) اعمال کردیم و کاربردهای عملی آن را در مطالعه همبستگی‌های دوربرد در سری‌های زمانی تجربی نشان دادیم.

نمونه متن انگلیسی :

A B S T R A C T

Various time series, such as biological signals and stock prices, exhibit long-range correlations and a fractal nature characterized by the power-law scaling in the low-frequency range of the power spectrum. Instead of the power spectral analysis, scaling analysis methods such as Detrended Fluctuation Analysis (DFA) and Detrending Moving-Average Analysis (DMA) have been employed to estimate the scaling exponent. Scaling analysis results often uncover crossover phenomena, highlighting two distinct scaling regions—a short- and a long-range exponent. Estimating the two respective scaling exponents and the crossover point is crucial, as they can provide insight into different underlying mechanisms or dynamics operating at various scales. However, DFA and DMA with higherorder detrending tend to distort the time scales, and methods for accurately estimating the crossover have not been thoroughly investigated. This study addresses scale distortions in higher-order DFA and DMA by leveraging the relationship between the fluctuation function and the power spectrum of time series. We propose a method for crossover estimation using the Savitzky–Golay differentiation filter. Applying this method to numerical experiments with an autoregressive process exhibiting crossovers demonstrated that our proposed technique estimates crossovers more accurately than conventional segmented regression approaches used in DFA and DMA. We applied the proposed scaling crossover estimation method to the time series of the postural center of pressure (CoP), showcasing its practical applications in studying long-range correlations in empirical time series.

منابع :

[1] Beran J. Statistics for long-memory processes. Chapman & Hall, New York, NY;1994.

[2] Rangarajan G, Ding M. Processes with long-range correlations: theory andapplications. Berlin, Heidelberg, Germany: Springer-Verlag; 2003.

[3] Eke A, Herman P, Kocsis L, Kozak L. Fractal characterization of complexity intemporal physiological signals. Physiol Meas 2002;23(1):R1.http://dx.doi.org/10.1088/0967-3334/23/1/201.

[4] Goldberger AL, Amaral LA, Hausdorff JM, Ivanov PC, Peng C-K, Stan-ley HE. Fractal dynamics in physiology: Alterations with disease and aging.Proc Natl Acad Sci 2002;99(suppl_1):2466–72.http://dx.doi.org/10.1073/pnas.012579499.

[5] Hausdorff JM, Peng C-K, Ladin Z, Wei JY, Goldberger AL. Is walking a randomwalk? Evidence for long-range correlations in stride interval of human gait.J Appl Physiol 1995;78(1):349–58.http://dx.doi.org/10.1152/jappl.1995.78.1.349.