1.一种基于样本熵和贝叶斯的时间序列突变检测方法，其特征在于，包括如下步骤：S1.将长度为n的径流原始序列{x1,x2,…,xn}进行相空间重构，构造如下一组m维向量：X(i)＝[x(i),x(i+1),…,x(i+m‑1)]，i＝1,2,…,n‑m+1S2.计算向量X(i)和X(j)之间的欧氏距离d[X(i),X(j)]：d[X(i),X(j)]＝max[|X(i+k)‑X(j+k)|],k＝0,1,2,…,m‑1S3.给定允许偏差r，计算每一个i所对应的欧式距离d[X(i),X(j)]小于r的数目Nr与n‑m+1的比值m

S4.对于数值 取i的所有值的平均值，得到C(r)：m+1

S5.将维数m增加1并重复步骤S1到S4以获得C (r)；

S6.用数值m、r和n计算径流时间序列的SampEn(m,r,n)值：m+1 m

SampEn(m,r,n)＝‑ln[C (r)/C(r)]S7.根据待分析的径流时间序列{x1,x2,…,xn}，选择数据滑动窗口长度h以及滑动步长L，确定样本熵SampEn的维数m和容许偏差r；

S8.从径流时间序列{x1,x2,…,xn}的第i个数据开始以滑动窗口长度h选取径流子序列，其中i＝1,2,…,n‑h+1；

S9.通过样本熵SampEn计算子序列的熵值；

S10.保持数据滑动窗口长度h不变，以滑动步长L逐步移动窗口，重复S8～S9步骤，直至原流时间序列{x1,x2,…,xn}结束；

S11.通过步骤S7～S10，得到一个长度为int[(n‑h+1)/L]的样本熵SampEn序列；

S12.绘制样本熵SampEn的值随时间的变化图，初步确定序列的突变点；

S13.假设径流时间序列{x1,x2,…,xn}服从正态分布，序列k点处发生突变，计k点前的k k+1 k k+1序列为X＝{x1,x2,…,xk}，k点后的序列为X ＝{xk+1,xk+2,…,xn}；当X和X 的概率分布的k统计参数不相同时，X的分布密度函数表示如下：k+1

X 的分布密度函数表示如下：

k k+1

假设X和X 的概率分布的分布函数均服从正态分布：2

上式中， σ由径流时间序列{x1,x2,…,xn}估算；

后验分布如下：

2.根据权利要求1所述的基于样本熵和贝叶斯的时间序列突变检测方法，其特征在于，分布参数μa、μb的后验密度函数的推导计算如下：k k+1

Step1.给定μa和μb，X和X 的联合分布函数导出如下：Step2.根据Bayes准则推出变异点k的后验分布密度函数：其中，p(j)是改变点k的位置的先验分布；

假定p(j)为均匀分布：p(j)＝1/n,j＝1,2,…,n；后验密度函数为：