由模糊熵的定义，模糊熵值的计算和嵌入维数m，相似容限r，模糊函数的梯度n和数据长度N都有关系。
（1）嵌入维数m。和近似熵和样本熵一样，一般取嵌入维数m=2。因为m越大，在序列的联合概率进行动态重构时，会有越多的详细信息，但m越大，计算所需要的数据长度就更长（N取10m～30m），因此综合考虑，m=2。
（2）相似容限r。r表示模糊函数边界的宽度。r过大会丢失掉很多统计信息；r过小估计出的统计特性的效果不理想，而且会增加对结果噪声的敏感性。一般r取0.1SD～0.25SD（SD是原始数据的标准差），本节取r=0.15SD。
（3）n的选取。n决定了相似容限边界的梯度，n越大则梯度越大，n在模糊熵向量间相似性的计算过程中起着权重的作用。当n＞1时，更多地计入较近的向量对其相似度的贡献，而更少地计入较远的向量的相似度贡献，n过大会导致细节信息的丧失；当n＜1时则相反，事实上，n趋于无穷大时，指数函数即变为单位阶跃函数。为了捕获尽量多的细节信息，建议计算时取较小的整数值，如2或3等。综上考虑，本节取n=2。
（4）数据长度N。一般熵值结果对数据的长度要求不高，若选定m=2，则N取100～900。仍以式（6.18）所示信号为例，分别考虑p=0.1和0.3时两个混合信号不同长度的模糊熵，如图6.7所示，从图中可以看出，数据长度是200或者1 000，对两混合信号的模糊熵值几乎没有影响，这说明模糊熵计算所需的数据长度短。
（5）另外，对于多尺度模糊熵还有一个参数，尺度因子τ，一般地，τ的最大值大于10即可，因为原数据长度为N，则粗粒化后的序列长度为N/τ，一般要保证N/τ具有的长度不影响模糊熵值的计算（一般大于100）[173，187]。
(www.xing528.com)
图6.7 不同长度下两混合信号的模糊熵
对于一个自相似随机过程，功率谱密度S（f）与频率f成比例关系，即S（f）∝1/fβ。其中，β=0时随机过程为白噪声信号，β=1时随机过程称为1/f噪声，二者在自然界都很常见[194-195]。白噪声与1/f噪声的时域波形和傅里叶谱分别如图6.8所示。从图中可以看出，1/f噪声是长程相关的（long-range correlation），这意味着1/f噪声要比白噪声信号更为复杂，二者的MSE和MFE如图6.9所示。
从图6.9可以看出，当尺度因子τ等于1时，白噪声的样本熵和模糊熵值都比1/f噪声的大，如果依据单一尺度的熵的观点，很容易得出白噪声比1/f噪声复杂的错误观点。但是，随着尺度因子τ的增加，白噪声的样本熵和模糊熵值都逐渐递减，而1/f噪声的熵值则趋于平稳，而且随着尺度因子的增加，在大部分尺度上，1/f噪声的样本熵和模糊熵都大于白噪声的样本熵和模糊熵（τ＞3时和τ＞5时），这意味着1/f噪声要比白噪声更为复杂。此外，随着尺度因子的增加，两个信号的模糊熵变化较为平缓，而它们的样本熵则波动较大，因此，多尺度模糊熵要比多尺度熵更加稳定，一致性更好。
图6.8 白噪声和1/f噪声的波形和频率
图6.9 白噪声与1/f噪声的MSE和MFE
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
