101. Fraktal boyut kestirimleri
Şablon kimliği: fraktal_boyut · Kategori: zaman_serisi · Dil: R · Dosya: pro/sablonlar/zaman_serisi/fraktal_boyut.R (satır 1–367; üstbilgi 1–179) · Örnek veri: _ornek/fraktal_seriler.csv · Paketler: fractaldim 0.8-5 (R 4.5.3)
101.1 Ne işe yarar
Şablon, bir zaman serisinin grafiğinin ya da iki boyutlu bir desenin pürüzlülüğünü fraktal boyut D ile ölçer. Cevapladığı soru şudur: "Bu eğri, düzgün bir çizgiden (D=1) düzlemi dolduran bir eğriye (D=2) kadar uzanan ölçekte nerede duruyor?" Bir boyutlu seride altı kestirici aynı seri üzerinde yan yana verilir (Higuchi, Katz, Petrosian, grafik üzerinde kutu sayma, madogram, variogram); iki boyutlu bir kümede (hücre koordinatları ya da PNG görüntüsü) kutu sayma boyutu hesaplanır.
Ölçek tabanlı kestiriciler (Higuchi, kutu sayma, madogram, variogram) ölçüyle birlikte değişen bir büyüklüğü (eğri uzunluğu, kutu sayısı, artış varyansı) ölçeğe karşı log-log çizer ve eğimden D'yi bulur. Katz ve Petrosian ölçek regresyonu içermeyen, tek değerli, hızlı ölçülerdir. Şablon bir anlamlılık testi yapmaz; D kestirimi ve (ölçek tabanlı yöntemlerde) log-log uyumunun standart hatası ile R^2'si verilir.
Ne zaman kullanılır?
- Sinyal ve eğri pürüzlülüğünü (EEG ve EKG karmaşıklığı, yüzey ve kıyı profilleri, ağaç halkası ve iklim serileri) tek bir sayıyla özetlemek ve seriler arasında karşılaştırmak için.
- Kendine benzer (self-affine) bir seride D=2-H bağıntısıyla Hurst üssünü yerel pürüzlülük üzerinden kestirmek için (101.4.7); ancak D yerel, H uzun erimli bellek özelliğidir ve genel durumda ikisi ayrı şeylerdir (Gneiting ve ark., 2012).
- Habitat yamaları, bitki örtüsü desenleri ya da ikili görüntülerin kutu sayma boyutunu bulmak için (2B).
Ne zaman kullanılmaz?
- Serinin uzun erimli belleği ya da Hurst üssü sorulduğunda:
hurst_karsilastirma(Bölüm 103),mfdfa(Bölüm 109) vearfima(Bölüm 96) şablonları bunun için tasarlanmıştır. Fraktal boyut seriyi bellek bakımından değil, grafiğin pürüzlülüğü bakımından ölçer. - Artış (gürültü) biçimindeki seriye ham hâliyle uygulamak için: kesirli Gauss gürültüsü ya da getiriler önce birikimli toplamla yürüyüşe çevrilir (
birikimliseçeneği). Ham gürültüde Higuchi D\approx 1{,}93, Katz 5,99 verir (101.8). - Periyot ya da döngü araştırmak için:
dalgacik(Bölüm 97). - Çok ölçekli (çoklu fraktal) yapı sorulduğunda:
mfdfavemfdfa_py(Bölüm 109 ve 110). - 64'ten az gözlemli serilerde: şablon durur (satır 221).
Temel programla ilişki. Temel programda fraktal boyut ya da kutu sayma analizi yoktur; bu şablonun tüm kestiricileri yeni bir iş sunar.
101.2 Şablonun girdileri
Form, üstbilgideki yirmi iki [[param]] bloğundan kurulur (fraktal_boyut.R:12–178). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Veri türü · boyut |
seçim · Değişkenler | 1b |
1b, 2b_nokta, 2b_goruntu |
Hesap yolunu seçer: 1B seri, 2B hücre koordinatları, 2B PNG (12–19, 182, 210, 292, 320). |
Seri (1B) · y |
sayısal sütun · Değişkenler | boş | sayısal sütun | Yalnız 1b'de (20–26, 212–213). |
Birikimli toplam al · birikimli |
onay · Model | kapalı | açık / kapalı | Açıksa x\leftarrow\operatorname{cumsum}(x-\bar x) (27–33, 219). |
Higuchi · higuchi |
onay · Model | açık | açık / kapalı | Higuchi satırı (34–40, 225). |
Higuchi k_{\max} · higuchi_kmax |
tamsayı · Model | 10 | 2–1000 | En büyük gecikme; \le n/4 (41–49, 226–227). |
Katz · katz |
onay · Model | açık | açık / kapalı | Katz satırı (50–56, 237). |
Petrosian · petrosian |
onay · Model | açık | açık / kapalı | Petrosian satırı (57–63, 241). |
Kutu sayma (1B grafik) · kutu |
onay · Model | açık | açık / kapalı | Grafik kutu sayma (64–70, 245). 2B yollarda her zaman çalışır. |
Madogram (p=1) · madogram |
onay · Model | açık | açık / kapalı | Madogram satırı (71–77, 264–265). |
Variogram (p=2) · variogram |
onay · Model | açık | açık / kapalı | Variogram satırı (78–84, 264–265). |
Gecikme sayısı L · gecikme_sayisi |
tamsayı · Gelişmiş | 2 | 2–100 | Madogram/variogram gecikmeleri 1,\dots,L; \le n/4 (85–93, 262–263). |
2B: x koordinatı · nokta_x |
sayısal sütun · Değişkenler | boş | sayısal sütun | Yalnız 2b_nokta (94–100, 294–296). |
2B: y koordinatı · nokta_y |
sayısal sütun · Değişkenler | boş | sayısal sütun | Yalnız 2b_nokta (101–107, 294–296). |
2B: hücre değeri · deger |
sayısal sütun · Değişkenler | boş | sayısal sütun | Verilirse yalnız değeri esik'ten büyük satırlar dolu sayılır (108–114, 298). |
2B: PNG yolu · dosya |
metin · Değişkenler | boş | dosya yolu | Yalnız 2b_goruntu (115–121, 321–325). |
2B eşik · esik |
ondalık · Seçenekler | 0,5 | \pm10^9 | Görüntüde gri ton < eşik dolu; değer sütununda değer > eşik dolu (122–130, 187, 298, 327). |
Görüntüde açık pikseller dolu · ters |
onay · Seçenekler | kapalı | açık / kapalı | Görüntüde gri ton > eşik dolu (131–137, 327). |
2B ızgara kenarı · izgara |
tamsayı · Gelişmiş | 0 | 0–8192 | 0: tamsayı koordinatlarda kapsam +1; ondalıklı koordinatlar sabit adımlı düzenli bir ızgaranın hücreleriyse kapsam/adım +1, düzenli değilse 512 ve uyarı (138–146, 304–318, 344–346). |
Kutu kenarı çarpanı c · kutu_carpani |
seçim · Gelişmiş | 2 |
2, 3 |
Kutu kenarları c^j (147–154, 183, 200). |
En küçük kutu kenarı · kutu_min |
tamsayı · Gelişmiş | 0 | 0–100000 | 0: 2B'de 1; 1B grafikte otomatik kural (155–163, 184–185, 256–257). |
En büyük kutu kenarı · kutu_max |
tamsayı · Gelişmiş | 0 | 0–10 000 000 | 0: 1B'de (n-1)\div8, 2B'de \lfloor G/c\rfloor (164–172, 186, 246, 334). |
Log-log uyum grafikleri · grafik |
onay · Çıktı | açık | açık / kapalı | Log-log şekli (173–178, 355). |
Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| 1B, veri açık değil | "Önce Veri sekmesinde bir veri açın." | 211 |
1B, y boş |
"1B veri türü için bir seri sütunu seçin." | 212 |
| Sayısal gözlem 3'ten az | "Seride yeterli sayısal gözlem yok." | 215 |
| İlk ve son geçerli gözlem arasında eksik değer | "Serinin ortasında eksik değer var; ardışık gözlem gerekli." | 217 |
| n<64 | "Fraktal boyut kestirimi için en az 64 gözlem gerekli (şu an …)." | 221 |
| Standart sapma 0 ya da 10'dan az farklı değer | "Seri sabit ya da çok az farklı değer içeriyor." | 222 |
higuchi_kmax >\lfloor n/4\rfloor |
"Higuchi k_max en çok n/4 = … olabilir." | 227 |
| 3'ten az kutu boyu (1B) | "Kutu sayma için en az 3 kutu boyu gerekli; kutu aralığını genişletin." | 248 |
gecikme_sayisi >\lfloor n/4\rfloor |
"Gecikme sayısı en çok n/4 = … olabilir." | 263 |
| Madogram/variogramda bir V_p(l)=0 | "Artışlar sıfır; madogram/variogram tanımsız." | 268 |
| Hiçbir yöntem seçilmemiş | "En az bir yöntem seçin." | 274 |
| 2B nokta: koordinat sütunu eksik | "2B nokta türü için x ve y koordinat sütunlarını seçin." | 294–295 |
| 2B nokta: dolu nokta <16 | "En az 16 dolu nokta/hücre gerekli." | 300 |
| 2B nokta: bütün noktalar aynı konumda | "Noktaların hepsi aynı konumda." | 302 |
| 2B görüntü: yol boş / dosya yok / png paketi yok | ilgili ileti | 322–324 |
| 2B görüntü: eşiğe göre dolu piksel <16 | "Görüntüde eşiğe göre en az 16 dolu piksel gerekli …" | 329 |
| 2B: 3'ten az kutu boyu | "Kutu sayma için en az 3 kutu boyu gerekli; ızgarayı büyütün …" | 336 |
Form düzeyindeki sınır denetimleri (ör. higuchi_kmax 2–1000) kod çalışmadan önce yapılır ve ileti İngilizce gelir (üstbilgi sınırları). Baştaki ve sondaki eksik değerler sessizce atılır (216–218). Çalışmayı durdurmayıp çıktıya not ya da uyarı yazan durumlar: ondalıklı 2B koordinatlar düzenli bir ızgara oluşturmuyorsa 512 varsayımı (344–346); Katz D>2 (285–287); regresyonun 3 noktaya dayanması (196–201, 288, 347); "D ≈ 2" (289–290); fractaldim sütununun kutu sayma için farklı tanım olduğu (282–284). Şablonun denetlemediği şey: satırların zaman sırasında olması (101.8).
Örnek ayar (ornek_param, satır 9): boyut = "1b", y = "fgn07", birikimli = true, higuchi_kmax = 10, gecikme_sayisi = 2; öteki alanlar varsayılandadır.
101.3 Örnek veri
fraktal_seriler.csv: sabit tohumlu yapay veri (üretici tools/kutuphane_dogrulama/ogeler/_fraktal_veri.py, tohum 20261112); 8192 (=2^{13}) satır, 6 sütun, eksik değer yok. sierpinski_hali.csv: Sierpinski halısının dördüncü düzeyi, 81\times81 ızgarada dolu hücrelerin tamsayı koordinatları (4096 satır, 8^4).
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet |
|---|---|---|---|
t |
sıra numarası | sayısal | 1–8192 |
beyaz |
bağımsız standart normal gürültü (H=0{,}5) | sayısal | ortalama -0{,}0027; sd 1,0015 |
fgn03 |
kesirli Gauss gürültüsü, H=0{,}3 (Davies–Harte) | sayısal | ortalama 0,0045; sd 0,9904 |
fgn07 |
kesirli Gauss gürültüsü, H=0{,}7 | sayısal | ortalama 0,0464; sd 0,9992 |
binom |
çoklu fraktal binom kaskadı | sayısal | en büyük 0,0238; ortalama 0,0001 |
weierstrass |
Weierstrass–Mandelbrot fonksiyonu, H=0{,}4 (D=1{,}6) | sayısal | ortalama 0,0000; sd 1,0834 |
x, y (halı) |
dolu hücre koordinatları | sayısal | 0\ldots80 |
Kuramsal boyutlar bilinir: fgn07, fgn03 ve beyaz serilerinin birikimli toplamı kesirli Brown hareketidir ve D=2-H: sırasıyla 1,3; 1,7; 1,5. weierstrass için D=2-H=1{,}6 (Berry ve Lewis, 1980). Sierpinski halısı için D=\ln8/\ln3=1{,}892789 (Mandelbrot, 1982). Kategorik değişken yoktur; düzey sırasına bağlı bir seçenek de yoktur.
Bu bölümde kullanılan çalıştırmalar (dogrulama/cikti/ altında; ek veriler dogrulama/fraktal_boyut/):
| Ad | Veri | Ayar |
|---|---|---|
fb_ornek |
fgn07 |
örnek ayar |
fb_L10 |
fgn07 |
örnek ayar, gecikme_sayisi = 10 |
fb_bm, fb_fbm03 |
beyaz, fgn03 |
birikimli açık, k_{\max}=10, L=2 |
fb_weier |
weierstrass |
birikimli kapalı |
fb_gurultu |
fgn07 |
birikimli kapalı (ham gürültü) |
fb_kat |
fgn07 |
örnek ayar, sütun kategorik işaretli |
fb_sierp, fb_sierp2 |
sierpinski_hali.csv |
2b_nokta, c=3 ve c=2 |
fb_png, fb_png_ters |
243\times243 halı PNG | 2b_goruntu, c=3; ikincisi ters açık |
fb_ondalik, fb_ondalik243, fb_ondalik729 |
halı, koordinatlar 0{,}37 ile çarpılıp kaydırılmış | 2b_nokta; ızgara 0 (kendiliğinden 243), 243, 729 |
fb_deger |
halı, değer sütunuyla | deger ve esik |
fb_sabit |
binom |
birikimli kapalı |
fb_kisa, fb_eksik, fb_kmax, fb_yok, fb_yos |
hata iletileri (101.2) |
101.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (1) seri isteğe bağlı olarak birikimli toplamla yürüyüşe çevrilir; (2) seçili yöntemler sırayla hesaplanır, ölçek tabanlı olanlar için log-log noktaları ve doğru uydurulur; (3) sonuçlar tek tabloda toplanır; R'de fractaldim kuruluysa üç yöntemin paket kestirimi yan sütunda eklenir; (4) log-log noktaları ve doğru şekle çizilir. Bütün kestiriciler şablonun kendi kodundadır; yalnız karşılaştırma sütunu fractaldim::fd.estimate işlevini çağırır.
101.4.1 Birikimli toplam ve ön işlem
- x_i: gözlem (artış ya da gürültü biçimli seri); \bar x: ortalaması.
- y_t: yürüyüş; sonraki bütün kestiriciler
birikimliaçıkken y üzerinde çalışır ve n gözlem sayısıdır.
Neden birikimli toplam?
Fraktal boyut eğrinin kendisinin ölçüsüdür. Kesirli Gauss gürültüsü ya da getiri gibi artış serilerinin grafiği her zaman çok pürüzlüdür (D\approx2); D=2-H bağıntısı, yürüyüşün (kesirli Brown hareketinin) grafiği için geçerlidir. Seri zaten bir yürüyüş ise (ör. seviye, fiyat) birikimli toplam alınmaz.
101.4.2 Higuchi yöntemi
k=1,\dots,k_{\max} için, başlangıç m=1,\dots,k ve n_{m,k}=\lfloor(n-m)/k\rfloor olmak üzere
- L_m(k): m'inci başlangıçtan k adım atlayarak ölçülen normalleştirilmiş eğri uzunluğu; (n-1)/(n_{m,k}k) çarpanı örnekleme sayısını telafi eder.
- L(k): m üzerinden ortalama.
- \hat\beta: \ln L(k)'nın \ln k üzerine en küçük kareler eğimi (k=1,\dots,k_{\max}, k_{\max} nokta); \hat D eğimin eksisidir.
Koddaki tercih
L_m(k) satır 230–233'te yazılır; seq(mm, n, by = kk) indisleri bir tabanlıdır. k_{\max} varsayılan 10'dur ve n/4'ü aşamaz (227). Log-log regresyonuna k=1,\dots,k_{\max} tüm gecikmeler girer (ağırlıksız).
101.4.3 Katz ve Petrosian ölçüleri
- L: ardışık noktalar arası mutlak adımların toplamı; \bar a=L/(n-1) ortalama adım, dolayısıyla \nu=n-1.
- d: ilk noktadan en büyük uzaklık; yalnız genlik yönünde ölçülür (zaman ekseni yoktur).
- N_\Delta: birinci farkın işaret değiştirme sayısı (ardışık iki farkın çarpımı negatif).
Koddaki tercih
Katz'ın tanımı Esteller ve ark. (2001) biçimindedir. Genlik ve süre aynı eksende ölçülmediği için D_{\text{Katz}} serinin ölçeğine bağlıdır ve [1{,}2] aralığında kalması garanti değildir; bu yüzden tabloda H_karsilik Katz ve Petrosian için boştur (277). D_{\text{Katz}}>2 çıkarsa çıktıya değerin fraktal boyut olarak yorumlanamayacağını söyleyen bir not yazılır (285–287). Petrosian, işaret değişimleri sayısından türediği için 1'e yakın değerler verir ve karşılaştırma amaçlıdır.
101.4.4 Grafik üzerinde kutu sayma
Seri b gözlemlik bloklara bölünür; kutu yüksekliği serinin aralığından türetilir. n_e=\lfloor(n-1)/b_{\max}\rfloor b_{\max}+1 kullanılan gözlem sayısı, R=\max-\min ilk n_e gözlemin aralığıdır. b için
- B_i: i'inci blok, b+1 ardışık gözlem (komşu bloklar bir noktayı paylaşır).
- h_b: b gözlem genişliğindeki kutunun yüksekliği; her blokta kutular bloğun en küçük değerinden başlar (Hall ve Wood, 1993).
- N(b): grafiği örten kutuların toplam sayısı; \hat D=-\hat\beta, \beta \ln N'in \ln b üzerine eğimidir.
Kutu kenarları b=c^j (c=2 ya da 3) ve b\le(n-1)\div8'dir; en büyük kutu aralığı çok az kutu verdiği için dışarıda bırakılır. Otomatik alt sınırda (kutu_min = 0) N(b)>n_e/5 olan küçük kutular atılır: bunlar grafiği çözünürlük sınırında örter ve eğimi bozar (256–257). En az üç kutu boyu kalmalıdır (248).
fractaldim ile aynı tanım değildir
Kod yorumu (251) tanımın fractaldim paketinin ComputePlotPoint.boxcount tanımından esinlendiğini, ancak paketin fd.estim.boxcount kestiriminden farklı olduğunu söyler. Paketin kendi kestirimi farklı bir kutu aralığı ve sayım kuralı kullanır: ilk \lfloor(n-1)/2^{m-1}\rfloor2^{m-1}+1 gözlemle (n=8192 için 4097 gözlem) çalışır, kutu kenarlarını 2^0,\dots,2^{10} arasından alır ve her kutu için grafiğin kutuyla kesişip kesişmediğine bakar. Şablon ise \lceil(\max B_i-\min B_i)/h_b\rceil ile sayar ve ilk n_e=7681 gözlemi kullanır. Aynı seride iki kestirim farklıdır: örnek ayarda şablon 1,2616, paket 1,2988 verir. Tablodaki D_fractaldim sütunu paketin sayısıdır, şablonun sayısını doğrulamaz (101.6.1); çıktı bunu bir notla da yazar (282–284).
101.4.5 Madogram ve variogram
- V_p(l): gecikme l'de artışların p'inci kuvvetli ortalaması; p=1 madogram, p=2 variogram.
- \hat\beta: \ln V_p'nin \ln l üzerine eğimi (l=1,\dots,L).
- \hat D_p: kendine benzer bir yürüyüşte V_p(l)\propto l^{pH} olduğundan \hat\beta=pH ve D=2-H.
Neden L=2?
Gneiting ve ark. (2012), eğrinin yerel pürüzlülüğünü (D) en küçük gecikmeler taşıdığı için L=2'yi önerir; büyük gecikmeler uzun erimli belleği (bağımsız bir özellik) karıştırır. Madogram, p=1 olduğundan aykırı değerlere variogramdan daha dayanıklıdır. Şablon bu varsayılanı kullanır; fractaldim::fd.estimate varsayılanı da 2'dir.
L=2 ile regresyon iki noktadan geçen bir doğrudur: standart hata ve R^2 tanımsızdır (NA; 190–191). L\ge3 alınırsa SH ve R^2 hesaplanır.
101.4.6 Log-log regresyon, SH ve R^2
- s_j: ölçek (k, b ya da l); f_j: ölçekte ölçülen büyüklük (L(k), N(b), V_p(l)); k: nokta sayısı.
- e_j: doğrudan sapmalar; SH ve R^2, k>2 iken yazılır (190–191).
Standart hata yalnız log-log doğrusunun uyumunun belirsizliğidir; gözlem bağımlılığını ve yöntemin yanlılığını içermez. Bu yüzden küçük SH ile gerçek D'den uzak bir kestirim birlikte görülebilir (101.8). Tabloda ayrıca H_karsilik =2-D yazılır (Higuchi, kutu, madogram, variogram için).
101.4.7 D=2-H bağıntısı
Kendine benzer bir yürüyüşte (B_H(ct)\overset{d}{=}c^HB_H(t)) grafiğin kutu boyutu 2-H'dır (Mandelbrot ve Van Ness, 1968; Gneiting ve ark., 2012). beyaz serisinin birikimli toplamı Brown hareketidir (H=0{,}5, D=1{,}5); fgn07 ve fgn03 için kuramsal D 1,3 ve 1,7'dir. Bağıntı yalnız kendine benzer süreçte geçerlidir: yerel pürüzlülük (D) ve uzun erimli bellek (H Hurst üssü) genel olarak birbirinden bağımsız özelliklerdir.
101.4.8 İki boyutlu kutu sayma
Küme dolu hücrelerin (i,j) koordinatlarıdır. Tamsayı koordinatlar hücre indisi sayılır ve ızgara kenarı G=\max(\text{kapsam}_x,\text{kapsam}_y)+1 olur. Ondalıklı koordinatlar kare ızgaraya yerleştirilir:
Ondalıklı koordinatlar sabit adımlı düzenli bir ızgaranın hücreleriyse (tüm koordinatlar kendi en küçüklerinden en küçük komşu farkı s'nin tam sayı katı kadar uzakta, 10^{-3}s içinde) ızgara kümenin kendisinden bulunur: G=\operatorname{round}(\kappa/s)+1 (305–316). Düzenli değilse G=512 alınır ve çıktı bunu uyarıyla bildirir (344–346). Sonra b=c^j (b\le\lfloor G/c\rfloor) için kutu başına en az bir dolu hücre içeren kutu sayısı sayılır:
- G: ızgara kenarı;
izgaraverilmezse tamsayı koordinatlarda kapsam +1, düzenli ızgaralı ondalıklı koordinatlarda \kappa/s+1, düzenli olmayanlarda 512. - N(b): dolu hücrelerin tekilleştirilmiş koordinatlarından kutu kodları sayısı.
- PNG görüntüde piksel dolu sayılır (gri ton eşikten küçükse;
tersaçıkken büyükse) ve G görüntünün büyük kenarıdır (326–332).
Koddaki tercih
Ondalıklı koordinatlar kümeyi G\times G ızgaraya yeniden örnekler; her nokta tek bir hücreye düşer ve N(b) ızgara kenarına bağlıdır. Sierpinski halısını 0{,}37 ile çarpıp kaydırdıktan sonra ızgara kendiliğinden 243 bulunur ve sonuç tamsayı çalıştırmayla aynıdır (c=3 ile D=1{,}892789, c=2 ile 1,8405); izgara = 243 aynı sonucu verir, izgara = 729 ve c=3 ile 1,6224 çıkar (101.8). Izgara kenarı kümenin kendi çözünürlüğüne eşit olmalıdır; koordinatlar düzenli bir ızgara oluşturmuyorsa 512 varsayılır ve D bu seçime bağlıdır.
101.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 1–179 | Üstbilgi: yirmi iki parametre, örnek veri, örnek ayar, karşılaştırma programı bulunmadığına dair not. | Örnek ayar fgn07 birikimli. |
| 180–187 | Dil yardımcısı; boyut, kutu çarpanı c, alt/üst kutu kenarları, eşik. |
kutu_min'den bmin = max(1, kutu_min) (185). |
| 188–194 | egim: log-log doğrusunu qr.solve ile uydurur; SH (k>2) ve R^2. boyutlar(ust): c^j kenarları. |
k=2 iken SH ve R^2 NA (190–191). |
| 195–209 | satirlar ve noktalar listeleri; az_nokta (196–201): regresyon yalnız 3 noktaya dayanıyorsa not; ekle (202–209): yöntem satırını satirlar listesine, log-log noktalarını noktalar'a yazar. |
Katz ve Petrosian için ölçek yok: nokta = 1. |
| 210–224 | 1B yolu: giriş. Denetimler; as.numeric; ilk–son geçerli gözlem; birikimli toplam; n\ge64; paket var mı. |
Bir sütun veri sekmesinde "kategorik" görünse bile sayı okunur (101.8). |
| 225–236 | Higuchi: L_m(k) iç içe vapply; log-log eğim. |
k_{\max}\le n/4 (227). |
| 237–244 | Katz ve Petrosian. | Tek değerli ölçüler. |
| 245–261 | Kutu sayma: n_e, h_b, N(b); otomatik alt sınır kuralı; fractaldim karşılaştırması. | N(b)>n_e/5 olan küçük kutular atılır (256–257); en az 3 boy kalmalı. |
| 262–273 | Madogram ve variogram: V_p(l), log-log eğim, D=2-\beta/p; fractaldim karşılaştırması. | L\le n/4 (263). |
| 274–290 | Tablo: H_karsilik; paket yoksa D_fractaldim atılır; notlar: paket sütunu (282–284), Katz D>2 (285–287), 3 nokta (288), "D \approx 2" (289–290). |
"D \approx 2" notu Higuchi, madogram ya da variogram D>1{,}85 iken yazılır (289). |
| 291–348 | 2B yolu: noktalardan ya da PNG'den hücre kümesi; kutu sayma. | Ondalıkta ızgara düzenli ızgaradan türetilir (305–316); düzenli değilse 512 ve uyarı (344–346). |
| 349–354 | Log-log noktaları tablosu. | uydurulan sütunu uydurulan doğrunun değeri. |
| 355–367 | Şekil: 1B'de her ölçek tabanlı yöntem için panel; 2B'de ek olarak küme. | R^2 ve SH şekilde yazmaz. |
Kritik satırlar otomatik alt sınır kuralı ve 2B ızgara kararıdır:
if (bmin0 == 0) { tut <- Nb <= neff / 5; if (sum(tut) >= 3) { b <- b[tut]; Nb <- Nb[tut] } }
...
if (G <= 0) {
if (tamsayi) G <- as.integer(kap) + 1L
else { ...; if (kafes && Gk <= 8192) G <- as.integer(Gk) else { G <- 512L; izgara_uyari <- TRUE } }
}
Süre: örnek ayarda saniyenin kesri; n=8192 için Higuchi ve kutu sayma birkaç saniyeden kısadır. PNG yolu piksel sayısıyla orantılıdır.
101.6 Elle hesap: örnek veride bağımsız yeniden hesap
Hesap dogrulama/fraktal_boyut/elle_hesap.py (numpy) ve r_dogrulama.R (R) ile yapılmıştır. Python hesabı şablonun hiçbir işlevini ve fractaldim'i çağırmaz; yalnız numpy.polyfit ve tanım formülleri kullanılır. R hesabında Higuchi, Katz, Petrosian ve 2B kutu sayma açık formülle, madogram/variogram ve paket kutu sayması fractaldim::fd.estimate ile yapılmıştır.
Adım 1 — Birikimli toplam. fgn07, n=8192: y_t=\sum(x_i-\bar x); en küçük -358{,}416, en büyük 31,721, aralık 390,136.
Adım 2 — Higuchi. k_{\max}=10: \ln L(1)=8{,}7780, \ln L(2)=7{,}8818, \ln L(10)=5{,}7716; eğim -1{,}305641 (SH 0,002319; R^2=0{,}999975). \hat D=1{,}305641 (kuramsal 1,3; H karşılığı 0,694).
Adım 3 — Katz ve Petrosian. L=6490{,}0406, d=358{,}8612, \bar a=0{,}79234, \nu=8191: D_{\text{Katz}}=\log_{10}8191/(\log_{10}8191+\log_{10}(358{,}8612/6490{,}0406))=1{,}473386. Birinci farkın işaret değişimi N_\Delta=3261, n=8192: D_{\text{Petrosian}}=1{,}016671.
Adım 4 — Kutu sayma. n_e=15\cdot512+1=7681, R=390{,}1363; b=1{,}2,\dots,512 için N(b) 123407; 56114; 24849; 10655; 4508; 1876; 790; 328; 132; 58. Otomatik kural N\le n_e/5=1536{,}2: b=32'de N=1876 atılır; kalan b=64{,}128{,}256{,}512 (N=790;\,328;\,132;\,58) için eğim -1{,}261634, SH 0,017735, R^2=0{,}999605; \hat D=1{,}261634.
Adım 5 — Madogram ve variogram. V_1(1)=0{,}396169, V_1(2)=0{,}646712; eğim 0{,}707008; \hat D=1{,}292992. V_2(1)=0{,}499141, V_2(2)=1{,}317947; eğim 1{,}400773; \hat D=2-1{,}400773/2=1{,}299614. L=10: madogram 1,305641 (Higuchi ile aynı), variogram 1,310787.
Adım 6 — Sierpinski halısı. c=3, b=1{,}3{,}9{,}27: N=4096;\,512;\,64;\,8; eğim -\ln8/\ln3 tam; \hat D=1{,}892789. c=2, b=1,\dots,32: N=4096;\,1320;\,384;\,116;\,35;\,9; \hat D=1{,}759671 (SH 0,0215).
Adım 7 — fractaldim karşılaştırma sütunu. Madogram ve variogram paketle birebir aynıdır. Paket kutu sayması ilk 4097 gözlemle b=64,\dots,1024 için N=406;\,167;\,63;\,28;\,11 sayar ve 1,298816 verir; şablonun kendi tanımıyla (7681 gözlem, b=64,\dots,512) 1,261634'tür.
101.6.1 Doğrulama: MerQuR+, Python ve R
MerQuR+ sütunu şablonun "Fraktal boyut kestirimleri" tablosundan tam hassasiyetle alınmıştır. Python sütunu 101.6'daki numpy hesabıdır; R sütunu açık formül ve fractaldim'dir. "Paket sütunu" satırları şablonun D_fractaldim sütununu R'deki paket çağrısıyla karşılaştırır.
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| fgn07 (birikimli; H=0,7): Higuchi D | 1,30564135 | 1,30564135 | 1,30564135 | 5,1e−16 | ✓ |
| fgn07 (birikimli; H=0,7): Katz D | 1,47338602 | 1,47338602 | 1,47338602 | 6,0e−16 | ✓ |
| fgn07 (birikimli; H=0,7): Petrosian D | 1,01667066 | 1,01667066 | 1,01667066 | 4,1e−15 | ✓ |
| fgn07 (birikimli; H=0,7): kutu sayma D (şablonun tanımı) | 1,26163414 | 1,26163414 | — | 8,8e−16 | ✓ |
| fgn07 (birikimli; H=0,7): kutu sayma D, paket sütunu | 1,2988158 | — | 1,2988158 | 3,4e−16 | ✓ |
| fgn07 (birikimli; H=0,7): madogram D (L=2) | 1,29299225 | 1,29299225 | 1,29299225 | 8,6e−16 | ✓ |
| fgn07 (birikimli; H=0,7): variogram D (L=2) | 1,2996141 | 1,2996141 | 1,2996141 | 1,4e−15 | ✓ |
| beyaz (birikimli; Brown): Higuchi D | 1,50419935 | 1,50419935 | 1,50419935 | 4,4e−16 | ✓ |
| beyaz (birikimli; Brown): Katz D | 1,99678444 | 1,99678444 | 1,99678444 | 1,4e−15 | ✓ |
| beyaz (birikimli; Brown): Petrosian D | 1,02066067 | 1,02066067 | 1,02066067 | 0 | ✓ |
| beyaz (birikimli; Brown): kutu sayma D (şablonun tanımı) | 1,52564025 | 1,52564025 | — | 2,2e−15 | ✓ |
| beyaz (birikimli; Brown): kutu sayma D, paket sütunu | 1,42265513 | — | 1,42265513 | 1,7e−15 | ✓ |
| beyaz (birikimli; Brown): madogram D (L=2) | 1,49591149 | 1,49591149 | 1,49591149 | 2,5e−15 | ✓ |
| beyaz (birikimli; Brown): variogram D (L=2) | 1,51006382 | 1,51006382 | 1,51006382 | 1,3e−15 | ✓ |
| fgn03 (birikimli; H=0,3): Higuchi D | 1,69648583 | 1,69648583 | 1,69648583 | 6,5e−16 | ✓ |
| fgn03 (birikimli; H=0,3): Katz D | 2,95888056 | 2,95888056 | 2,95888056 | 1,2e−15 | ✓ |
| fgn03 (birikimli; H=0,3): Petrosian D | 1,02348899 | 1,02348899 | 1,02348899 | 1,1e−15 | ✓ |
| fgn03 (birikimli; H=0,3): kutu sayma D (şablonun tanımı) | 1,61965917 | 1,61965917 | — | 3,8e−15 | ✓ |
| fgn03 (birikimli; H=0,3): kutu sayma D, paket sütunu | 1,6307338 | — | 1,6307338 | 5,4e−16 | ✓ |
| fgn03 (birikimli; H=0,3): madogram D (L=2) | 1,69411471 | 1,69411471 | 1,69411471 | 2,1e−15 | ✓ |
| fgn03 (birikimli; H=0,3): variogram D (L=2) | 1,69788215 | 1,69788215 | 1,69788215 | 2,2e−15 | ✓ |
| weierstrass (H=0,4): Higuchi D | 1,54820022 | 1,54820022 | 1,54820022 | 8,6e−16 | ✓ |
| weierstrass (H=0,4): Katz D | 2,1873594 | 2,1873594 | 2,1873594 | 6,1e−16 | ✓ |
| weierstrass (H=0,4): Petrosian D | 1,02106934 | 1,02106934 | 1,02106934 | 8,7e−16 | ✓ |
| weierstrass (H=0,4): kutu sayma D (şablonun tanımı) | 1,43791029 | 1,43791029 | — | 2,6e−15 | ✓ |
| weierstrass (H=0,4): kutu sayma D, paket sütunu | 1,45807732 | — | 1,45807732 | 1,4e−15 | ✓ |
| weierstrass (H=0,4): madogram D (L=2) | 1,5702792 | 1,5702792 | 1,5702792 | 8,5e−16 | ✓ |
| weierstrass (H=0,4): variogram D (L=2) | 1,51478139 | 1,51478139 | 1,51478139 | 3,7e−15 | ✓ |
| fgn07: madogram D (L=10) | 1,30564139 | 1,30564139 | 1,30564139 | 1,9e−15 | ✓ |
| fgn07: variogram D (L=10) | 1,31078729 | 1,31078729 | 1,31078729 | 3,6e−15 | ✓ |
| fgn07: kutu kenarlarının sayısı | 4 | 4 | — | 0 | ✓ |
| Sierpinski halısı, c=3: D | 1,89278926 | 1,89278926 | 1,89278926 | 2,0e−15 | ✓ |
| Sierpinski halısı, c=2: D | 1,75967069 | 1,75967069 | 1,75967069 | 2,8e−15 | ✓ |
| Sierpinski halısı, c=3: kuramsal \ln 8/\ln 3 | 1,89278926 | 1,89278926 | — | 1,1e−15 | ✓ |
Ölçütü karşılayan: 34/34. Kutu sayma (grafik) için paket sütunu şablonun kendi tanımından farklıdır (bkz. 101.8); bu yüzden iki ayrı karşılaştırma satırı verilmiştir.
Bütün satırlar ölçütü karşılar. Higuchi, Katz, Petrosian, madogram ve variogram üç hesapta 10^{-14} içinde aynıdır; kutu sayma için Python hesabı şablonun tanımını 10^{-15} içinde yeniden üretir ve şablonun paket sütunu fractaldim'in kendi çağrısıyla aynıdır. İki kutu sayma kestirimi (şablonun tanımı ve paketin tanımı) birbirinden farklıdır (101.4.4); ikisi de 101.6'daki hesaplarla ayrı ayrı doğrulanmıştır. Sierpinski halısında şablon kuramsal \ln8/\ln3'ü 10^{-15} içinde yeniden üretir.
101.7 Çıktıyı okuma
Örnek ayarın konsol metni:
1B seri: n = 8192 (birikimli toplam)
Not: 'D_fractaldim' sütunu paketin kestirimidir. Madogram ve variogramda şablonla aynıdır; kutu sayma için paket başka bir tanım kullanır (ilk ⌊(n − 1)/2^(m − 1)⌋·2^(m − 1) + 1 gözlem, kutu kenarları 2^0 … 2^10, grafiğin kutuyla kesişimi), bu yüzden iki değer birebir eşit olmaz.
Tablolar (ilk altı ondalık; SH, R2 yalnız ölçek tabanlı yöntemlerde):
| Yöntem | D | SH | R^2 | Ölçek aralığı | Nokta | D_fractaldim |
H_karsilik |
|---|---|---|---|---|---|---|---|
| Higuchi | 1,305641 | 0,002319 | 0,999975 | 1–10 | 10 | 0,694359 | |
| Katz | 1,473386 | 1 | |||||
| Petrosian | 1,016671 | 1 | |||||
| Kutu sayma (grafik) | 1,261634 | 0,017735 | 0,999605 | 64–512 | 4 | 1,298816 | 0,738366 |
| Madogram (p=1) | 1,292992 | 1–2 | 2 | 1,292992 | 0,707008 | ||
| Variogram (p=2) | 1,299614 | 1–2 | 2 | 1,299614 | 0,700386 |
İkinci tablo, log-log noktalarını (yontem, ln_olcek, ln_deger, uydurulan) 18 satırda verir: Higuchi 10, kutu 4, madogram 2, variogram 2.
| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
D |
fraktal boyut | Birikimli toplamda 1 (düz) ile 2 (düzlemi dolduran) arasında olması beklenir; kuramsal 1,3'e Higuchi (1,306), madogram (1,293) ve variogram (1,300) yaklaşır. |
SH, R2 |
log-log doğrusunun SH'si ve R^2 | Yalnız uyumun belirsizliği; k=2 iken ikisi de boş. Küçük SH, kestirimin doğru olduğu anlamına gelmez. |
olcek_alt, olcek_ust, nokta |
regresyona giren ölçek aralığı ve nokta sayısı | Kutu sayma (4 nokta) ve madogram/variogram (2 nokta) küçük örneklemden gelir. |
D_fractaldim |
paketin kendi kestirimi | Madogram ve variogramda şablonla aynıdır; kutu saymada farklıdır (101.4.4). |
H_karsilik |
2-D | Yalnız yürüyüş (kendine benzer seri) varsayımıyla Hurst üssü; Katz ve Petrosian için yazılmaz. |
| "D ≈ 2" notu | Higuchi, madogram ya da variogram D>1{,}85 ise | Seri gürültü gibi davranıyor; artış serisiyse birikimli denenir (289–290). |
| Katz notu | Katz D>2 ise | Katz bu ölçekte fraktal boyut olarak yorumlanamaz; yalnız aynı ölçekteki seriler arasında karşılaştırılır (285–287). |
| 3 nokta notu | Bir yöntemin regresyonu 3 noktaya dayanıyorsa | SH ve R^2 1 serbestlik derecesinden gelir; aldatıcı derecede iyi görünebilir (196–201). |
2B örnek (fb_sierp, c=3): konsol "2B küme: 4096 dolu hücre; ızgara kenarı 81; kutu kenarları 1, 3, 9, 27"; tablo "Kutu sayma (2B): D=1{,}892789, SH 0, R^2=1, ölçek 1–27, nokta 4"; log-log noktaları \ln N=8{,}3178;\ 6{,}2383;\ 4{,}1589;\ 2{,}0794 (\ln b=0;\ 1{,}0986;\ 2{,}1972;\ 3{,}2958).
Şekil 101.1. Şablonun çizdiği log-log uyumları (örnek ayar): Higuchi (\ln L(k)), kutu sayma (\ln N(b)), madogram ve variogram (\ln V_p(l)); madogram ve variogramda yalnız iki nokta vardır.

Rapor cümlesi (örnek ayar):
Kesirli Gauss gürültüsünün (H=0{,}7) birikimli toplamında (n=8192) fraktal boyut Higuchi ile 1,31 (SH 0,002), madogram ile 1,29 ve variogram ile 1,30 kestirildi; kuramsal değer D=2-H=1{,}3'tür. Grafik üzerinde kutu sayma 1,26 verdi (dört ölçek, 64–512 gözlem).
101.8 Sık hatalar ve tuzaklar
- Artış serisine doğrudan uygulamak.
birikimlikapalı ve seri kesirli Gauss gürültüsüyse (fgn07) Higuchi D=1{,}934, madogram 1,851, variogram 1,859, Katz 5,995; "D ≈ 2" notu 1,85 eşiğini aşan değerler nedeniyle yazılır (Higuchi 1,95'in altında olsa da). Artış ya da getiri serilerindebirikimliaçılır. - Katz değerinin 2'yi aşabilmesi. Katz'ın d'si yalnız genlik yönünde ölçüldüğü için ölçek ve birim değişince değişir: birikimli toplamda Brown hareketi 1,997,
fgn032,959;weierstrass2,187; ham gürültü 5,995. D>2 eğri için anlamsızdır; çıktı bu durumda bir not yazar. Katz yalnız aynı ölçekteki seriler arasında karşılaştırma içindir. - 2B ondalık koordinatlarda ızgara kenarının sonucu değiştirmesi. Aynı halı kümesi (32768 hücre) tamsayı koordinatla ve ondalıklı koordinatla (ızgara kendiliğinden 243 bulunur) 1,892789 (c=3) verir; elle
izgara = 729ve c=3 ile 1,6224 (SH 0,1561), 512 ve c=2 ile 1,7303 (SH 0,0838) çıkar. Koordinatlar düzenli bir ızgara oluşturmuyorsa (ör. rastgele ondalık noktalar) şablon 512 varsayar ve çıktıya "ızgaraya bağlıdır" uyarısı yazar; ızgara kenarı kümenin çözünürlüğüne eşit seçilmelidir. - Kutu sayma sonucunu paketin kestirimiyle aynı sanmak. Örnek ayarda 1,2616 (şablon) ve 1,2988 (paket); Brown hareketinde 1,5256 ve 1,4227;
fgn03'te 1,6197 ve 1,6307. Fark en çok 0,10'dur (101.4.4); çıktı farkı bir notla bildirir. - Kutu sayma ve madogram/variogram'da az noktadan SH çıkarmak. Kutu sayma örnek ayarda 4, Brown ve
fgn03'te 3 noktadan gelir (3 noktada SH 1 serbestlik derecesine dayanır; çıktı bu durumda bir not yazar). Madogram/variogram L=2 iken iki noktadan geçen doğrudur, SH ve R^2 yazılmaz. L=10 ile SH 0,0023 (madogram) ve 0,0034 (variogram) hesaplanır. - Higuchi ile madogramın farklı bilgi sandığı. Higuchi uzunluğu L(k)\propto\overline{|y_{t+k}-y_t|}/k^2'dir; k=1,\dots,k_{\max} ile madogram L=k_{\max} aynı doğruyu uydurur:
fgn07'de ikisi de 1,305641,weierstrass'ta 1,5482'dir; beş seride fark en çok 3\times10^{-6}'dır. İki yöntem bağımsız doğrulama sağlamaz. - Weierstrass gibi sonlu çözünürlüklü fonksiyonlarda yanlılık.
weierstrass(kuramsal 1,6) Higuchi 1,548, madogram 1,570, variogram 1,515, kutu sayma 1,438 verir; sonlu sayıda terim ve ayrık örnekleme eğriyi kuramsaldan düz gösterir. - Veri sırası ve zaman ekseni. Satırların zaman sırasında olduğu denetlenmez; şablon yalnız ardışık gözlem varsayar (217). Serinin ortasındaki eksik değer hata verir.
- n<64 ve k_{\max}>n/4. 50 gözlemde şablon durur (221); k_{\max}=3000 form denetimiyle (\le1000) reddedilir; 200 gözlemde k_{\max}=100 "Higuchi k_max en çok n/4 = 50 olabilir." iletisiyle durur (227).
- Sayısal sütunu kategorik işaretlemek.
y,nokta_x,nokta_yvedegersayısal rolde okunur; veri sekmesinde "kategorik" işaretli bir sütun da sayı olarak ulaşır ve sonuç aynıdır (fgn07kategorik yapılarak denendi, tablo aynı; Bölüm 1.3). Düzey sırası bu şablonda kullanılmaz. - Ondalık virgüllü sayıları metin olarak vermek. Metin sütunu
as.numericileNAolur ve "Seride yeterli sayısal gözlem yok" iletisi çıkar; sayılar önce veri sekmesinde sayısal türe çevrilir. - Görüntü eşiğini yanlış yönde seçmek. Varsayılan: gri ton <0{,}5 olan (koyu) pikseller dolu. Açık desen koyu zeminde ise
tersaçılır: halı görüntüsünde 32768 koyu piksel,tersile 26281 açık piksel sayılır.
101.9 Uzman soruları
S1. Fraktal boyut ile Hurst üssü neden D=2-H ile bağlı ve ne zaman bağlı değil?
Kendine benzer bir yürüyüşte E|y_{t+l}-y_t|^p\propto l^{pH} olduğundan madogram ve variogramın log-log eğimi pH'dir ve eğrinin kutu boyutu 2-H'dır (Mandelbrot ve Van Ness, 1968). Gneiting ve ark. (2012) bu bağıntının yalnız kendine benzer süreçte geçtiğini vurgular: yerel pürüzlülük küçük gecikmelerde (D), uzun erimli bellek büyük gecikmelerde (H) belirlenir ve genel durumda iki parametre ayrıdır. Örnek veride fgn07'nin birikimli toplamı kesirli Brown hareketidir; D=1{,}3 ve H=0{,}7 bu nedenle tutarlıdır. Şablon yine de H_karsilik =2-D yazar; kendine benzerlik varsayımı kullanıcıya aittir.
S2. Madogram neden varsayılan olarak L=2 gecikmeyle çalışıyor?
Gneiting ve ark. (2012) D'yi yerel davranıştan kestirmek için en küçük gecikmeleri önerir; büyük gecikmeler serinin uzun erimli bağımlılığından etkilenir ve D için yanlılık getirir. L=2 iki nokta demektir: eğim tam belirlidir ve SH tanımsız olur. L=10 ile örnek veride madogram 1,305641 (SH 0,0023), L=2 ile 1,292992; kuramsal 1,3'e yakınlık L'yi artırınca bozulmaz ama kuramsal çerçeve L=2'yi önerir. Karar kullanıcıya bırakılır ve rapor cümlesinde L yazılır.
S3. Kutu sayma neden şablonun tanımıyla `fractaldim`'inkinden farklı çıkıyor?
İki tanım üç noktada ayrılır. (i) Kullanılan gözlem: paket ilk \lfloor(n-1)/2^{m-1}\rfloor2^{m-1}+1=4097 gözlemi kullanır, şablon \lfloor(n-1)/b_{\max}\rfloor b_{\max}+1=7681 gözlemi. (ii) Kutu kenarları: paket 2^0,\dots,2^{10} içinden N>n_e/5 kuralıyla b=64,\dots,1024'ü bırakır; şablon b\le(n-1)\div8 (512) sınırıyla b=64,\dots,512'yi. (iii) Sayım: paket her kutu için grafiğin kutuyla kesişimini sayar; şablon bloğun aralığını kutu yüksekliğine böler. Üçü de makul tanımlardır; aynı seride kestirimler 0,04–0,10 farklıdır (101.8). Karşılaştırma için tek bir tanım seçilir ve raporda yazılır.
S4. Higuchi ile madogram neden aynı sayıyı veriyor?
L_m(k)'nin toplamı, gecikme k'de mutlak artışların ortalaması çarpı (n-1)/k'dir; m üzerinden ortalama alındığında L(k)\propto\overline{|y_{t+k}-y_t|}/k^2 olur. Madogram V_1(k) ise aynı ortalamanın yarısıdır. Log-log eğimler -D_{\text{Higuchi}}=\beta_{V_1}-2 olduğundan D_{\text{Higuchi}}=2-\beta_{V_1} ve madogram boyutuyla aynıdır; fark yalnız başlangıç indislerinin (m) ortalamasından gelen küçük sonlu örneklem farkıdır (beş seride en çok 3\times10^{-6}). İki yöntem bağımsız iki bilgi vermez.
S5. Katz D neden 2'den büyük olabiliyor?
d yalnız genlik farklarının en büyüğüdür ve zaman ekseni içermez; \nu=L/\bar a=n-1 sabit olduğundan D_{\text{Katz}} yalnız d/L oranına bağlıdır. d/L küçüldükçe (L\gg d, çok pürüzlü ya da ham gürültü) \log_{10}(d/L) negatif ve mutlak değeri büyür, payda küçülür ve D büyür; fgn07 ham gürültüsünde d/L çok küçük olduğundan 5,995 çıkar. Katz bu nedenle ölçeğe duyarlıdır; kuramsal D'yi kestirmek için değil, aynı ölçekteki seriler arasında sıralama için kullanılır.
S6. Petrosian D neden hep 1'e çok yakın?
Formülde yalnız n ve N_\Delta vardır; \log_{10}(n/(n+0{,}4N_\Delta)) terimi n'ye göre küçüktür (N_\Delta\le n), bu yüzden D n\ge64 için en çok 1,09 olur: örnek ayarda 1,0167, Brown hareketinde 1,0207, ham gürültüde 1,0255. Değer seriler arasında sıralamayı verir; boyutun kuramsal değeri olarak yorumlanmaz.
S7. Otomatik alt sınır kuralı (kutu sayısı >n_e/5) neden gerekli?
b küçüldükçe kutu sayısı N(b) artar ve n_e'ye yaklaşır; bu çözünürlük sınırında kutu sayısı artık grafiğin biçimini değil, örnekleme aralığını sayar. N(b)>n_e/5 olan boyutların atılması bu doymuş ucu eler. Örnek veride b=32'de N=1876 ve n_e/5=1536: atılır, kalan dört boy kullanılır. Kural en az üç boy kalmadıkça uygulanmaz (257). kutu_min pozitif verilirse kural kapanır ve kullanıcı seçtiği aralığı kendi sorumluluğunda kullanır.
S8. 2B'de ızgara kenarı G neden sonucu değiştiriyor?
Her ondalıklı nokta tek bir hücreye düşer. Küme G\times G ızgaradan seyrekse küçük kutular boş hücrelerle dolar ve N(b) küçük b'de nokta sayısına doyar; eğim düzleşir ve D küçülür. Örnek: halı noktalarını 512 ızgaraya yerleştirmek D=1{,}7303, 729'a 1{,}6224 verir; 243 (=3^5, halının kendi kenarı) 1,892789'u verir. İlke, ızgara hücresinin kümenin en küçük yapısıyla aynı olmasıdır; şablon bunu düzenli ondalıklı koordinatlarda en küçük komşu farkından kendisi bulur.
S9. Bu şablonun D'si kıyı uzunluğu için Mandelbrot'un (1967) D'siyle aynı mı?
Hayır. Mandelbrot'un kıyı boyutu bir uzunluk-ölçek ilişkisidir (L(\epsilon)\propto\epsilon^{1-D}); Higuchi yöntemi aynı fikri zaman serisinin eğri uzunluğuna uygular. Kutu sayma ise kümenin boyutunu (kapsama sayısıyla) ölçer. Düzgün bir eğride her iki yaklaşım 1, düzlemi dolduran bir kümede 2 verir; arada tanımlar ve yanlılıklar farklıdır. 2B şablonu kıyı çizgisi gibi çizgisel bir kümeye uygulanırken kümenin hücre sayısı ve ızgara çözünürlüğü raporlanır.
101.10 Kaynaklar
- Berry, M. V., & Lewis, Z. V. (1980). On the Weierstrass–Mandelbrot fractal function. Proceedings of the Royal Society of London. A. Mathematical and Physical Sciences, 370(1743), 459–484. https://doi.org/10.1098/rspa.1980.0044
- Davies, R. B., & Harte, D. S. (1987). Tests for Hurst effect. Biometrika, 74(1), 95–101. https://doi.org/10.1093/biomet/74.1.95
- Esteller, R., Vachtsevanos, G., Echauz, J., & Litt, B. (2001). A comparison of waveform fractal dimension algorithms. IEEE Transactions on Circuits and Systems I: Fundamental Theory and Applications, 48(2), 177–183. https://doi.org/10.1109/81.904882
- Gneiting, T., Ševčíková, H., & Percival, D. B. (2012). Estimators of fractal dimension: Assessing the roughness of time series and spatial data. Statistical Science, 27(2), 247–277. https://doi.org/10.1214/11-STS370
- Hall, P., & Wood, A. (1993). On the performance of box-counting estimators of fractal dimension. Biometrika, 80(1), 246–251. https://doi.org/10.1093/biomet/80.1.246
- Higuchi, T. (1988). Approach to an irregular time series on the basis of the fractal theory. Physica D: Nonlinear Phenomena, 31(2), 277–283. https://doi.org/10.1016/0167-2789(88)90081-4
- Katz, M. J. (1988). Fractals and the analysis of waveforms. Computers in Biology and Medicine, 18(3), 145–156. https://doi.org/10.1016/0010-4825(88)90041-8
- Mandelbrot, B. B. (1967). How long is the coast of Britain? Statistical self-similarity and fractional dimension. Science, 156(3775), 636–638. https://doi.org/10.1126/science.156.3775.636
- Mandelbrot, B. B. (1982). The fractal geometry of nature. W. H. Freeman.
- Mandelbrot, B. B., & Van Ness, J. W. (1968). Fractional Brownian motions, fractional noises and applications. SIAM Review, 10(4), 422–437. https://doi.org/10.1137/1010093
- Petrosian, A. (1995). Kolmogorov complexity of finite sequences and recognition of different preictal EEG patterns. In Proceedings of the Eighth IEEE Symposium on Computer-Based Medical Systems (pp. 212–217). IEEE. https://doi.org/10.1109/CBMS.1995.465426
- R Core Team. (2026). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
- Ševčíková, H., Percival, D., & Gneiting, T. (2021). fractaldim: Estimation of fractal dimensions (R package version 0.8-5). https://CRAN.R-project.org/package=fractaldim