function?SampEnVal?=?SampEn（data?m?r）
?%SAMPEN??計算時間序列data的樣本熵
?%????????data為輸入數據序列
?%????????m為初始分段，每段的數據長度
?%????????r為閾值
?%?$Author:?lskyp
?%?$Date:???2010.6.20
?%?Orig?Version:?V1.0--------分開計算長度為m的序列和長度為m+1的序列
?%???????????????????????????這一版的計算有些問題，需要注意兩個序列總數都要為N-m
?%?Modi?Version:?V1.1--------綜合計算，計算距離時通過矩陣減法完成，避免重循環
?%?V1.1?Modified?date:?2010.6.23
%??data=[‘Input?tne?data‘]
%??m=2;
%??r=0.2*std（data）;
?N?=?length（data）;
?Nkx1?=?0;
?Nkx2?=?0;
?%?分段計算距離，x1為長度為m的序列，x2為長度為m+1的序列
?for?k?=?N?-?m:-1:1
?????x1（k?:）?=?data（k:k?+?m?-?1）;
?????x2（k?:）?=?data（k:k?+?m）;
?end
?for?k?=?N?-?m:-1:1
?????%?x1序列計算
?????%?統計距離，由于每行都要與其他行做減法，因此可以先將該行復制為N-m的矩陣，然后
?????%?與原始x1矩陣做減法，可以避免兩重循環，增加效率
?????x1temprow?=?x1（k?:）;
?????x1temp????=?ones（N?-?m?1）*x1temprow;
?????%?可以使用repmat函數完成上面的語句，即
?????%?x1temp?=?repmat（x1temprow?N?-?m?1）;
?????%?但是效率不如上面的矩陣乘法
?????%?計算距離，每一行元素相減的最大值為距離
?????dx1（k?:）?=?max（abs（x1temp?-?x1）?[]?2）‘;
?????%?模板匹配數
?????Nkx1?=?Nkx1?+?（sum（dx1（k?:）??????
????%?x2序列計算，和x1同樣方法
?????x2temprow?=?x2（k?:）;
?????x2temp????=?ones（N?-?m?1）*x2temprow;
?????dx2（k?:）?=?max（abs（x2temp?-?x2）?[]?2）‘;
?????Nkx2??????=?Nkx2?+?（sum（dx2（k?:）??end
?%?平均值
?Bmx1?=?Nkx1/（N?-?m）;
?Bmx2?=?Nkx2/（N?-?m）;
?%?樣本熵
?SampEnVal?=?-log（Bmx2/Bmx1）;
?

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----

?????文件???????1604??2013-01-13?10:22??樣本熵\SampEn.m

?????目錄??????????0??2013-01-13?10:22??樣本熵

-----------?---------??----------?-----??----

?????????????????1604????????????????????2