支撑旋梭机

（47）-60-40-20 0 20 40 60集合索引的（ITD-IMF）链（1）的实部-60-40-200204060集合索引的（ITD-IMF）链（1）的虚部-11支持旋转器图。6： 复杂平面上SSM（ITD）的实证分析- IMF）1975年5月2日至2014年6月24日9528天内集合指数金融时间序列数据的封闭价格链。yt上下状态之间的分离超平面={-具有HT-SSM线性核的1，1}近似为一条直线切割单位循环Satπ和3π。这条线将up状态分隔为[1]：=[2π]的等效类∈ Y： =π（R- Xt）和等效类别[-1] := [π].我们有<yt，xt>∈ [ytxt，1]\'<w，x>∈ CP’s我们用[<y，x>]近似权重的标量曲率∈ C分类yt的SSMuse的初始重量∈ 年初至今。我们假设解是完美近似。在上述沿曲线平行平移的SVM权值的标量积中，我们在时间序列数据中的Kolmogorov空间的SSM超主丛Cp中引入了一个黎曼曲率-1.θt+1(- < w、 x>）=p<w，x>-1.θt+1(- tanθ）=0。（48）我们得到（<w，x>-1） （<w，x>+1）=0（49），tanθ=0。我们考虑<w，x>\'wx\'tanθ\'[Im（yt）][Re（yt）]∈ CP.（50）自（<w，x>-1） （<w，x>+1）=0我们通过给出一个简单的例子来解决一个超平面，该超平面在SSM的旋量中具有等价的权重类，并在主角上求解，[θ*] = arctan[Im（yt）][Re（yt）]=0，π，3π，2π。（51）图7：本工作中SSM和SVM之间性能测量所涉及的所有模块的流程图。我们为SSM选择了一个最优的分离超平面作为一个支持度为θ的旋量*] = [π]. SSM的经验分析结果如图6所示。三、 实证分析结果在本节中，我们使用自适应数据分析算法实现了SSM。

在观测状态空间模型Yt=Yt（[s]、[s]、[s]、[s]、[s]）中，将时间序列数据的端点在经验模式分解为四种状态后进行分类。trader XT行为的隐藏状态空间是在振幅调制模式的Holo-Hilbert谱分析第二层上的复射影空间中。我们测试SSM的性能，以将金融时间序列数据中的状态分类，仅针对具有6种不同类型的金融时间序列数据的上升和下降状态（有关经验测试数据的详细信息，请参见表一）。将不同核函数的方向预测性能与经典的SVM方法进行了比较。经验模式分解的筛选过程是模状态空间模型的一个示例，因为筛选过程的平均值可以通过时间序列数据生理学上的等效类的恒等式来近似。它是本征模函数筛选过程中的平均模。ITD结果的Holo-Hilbert变换- IMF）到复平面的链（定义见[6]）等效于本工作中时间序列数据中的上同调群的等效类。Holo-Hilbert算法在更高的外维中呈现旋量场。假设第二层的结果是支撑旋量场的角度，作为定义14中等式（30）的解。在深层次上，Holo-Hilbert变换与时间序列数据中Kolmogorov空间的超维上同调序列的新概念有关。Let x（t）∈ Rbex（t）=ReNXj=1ajei2πfjt，（52）上述扩展基于自适应IMF基础，因此我们有[27]x（t）=NXj=1cj（t）=ReNXj=1ajeiRtωj（τ）dτ，（53）算法（图7）在几个步骤中找到Holo-Hilbert谱迭代：1。取（ITD）的绝对值- IMF）链。识别绝对值函数（ITD）的所有最大值- IMF）链。3.

通过极大值用自然样条线构造包络。4、Do（ITD-IMF）上一步中的层包络上的链变换。5、重复步骤1。再次进行下一层amplitudemodulation过程。上述步骤分别应用于振幅调制（AM）和频率调制。Holo-Hilbert振幅隐藏层的结果作为一种超维表示，我们可以使用它来检测市场崩溃并对下一个预测状态进行分类。振幅函数的嵌套表达式的形式为j（t）=Xk[ReXlajkl（t）eiRtωl（τ）dτ··]eiRtωk（τ）dτ。（54）Holo-Hilbert谱是一种高维谱。