异常变化是自然界和人类社会中一种常见的由环境或机体自身状态改变而引起个体脱离原存在状态的一种现象。异常变化出现的原因在很大程度上是长期作用的结果,且一般无法直观发现,进而它所带来的后果往往是始料未及的。因此,做好异常变化的检测对于防范未知风险的发生具有极其重要的实际意义。排列熵算法是Bandt等人提出的用于分析时间序列复杂性的一种方法,由于它概念简单、对噪声的鲁棒性好而被学者所广泛运用。众多研究表明,在信号的异常检测方面,排列熵算法具有显著优势。但是,随着研究的深入,排列熵及其衍生算法的不足也日益显现出来。本文以改善排列熵算法对异常变化的检测性能为研究目标,从宏观和微观两方面着手,提出了三种排列熵优化算法。主要工作和创新点如下:1.将相位信息引入到排列熵算法中,提出了相位排列熵。利用标准模型logistic映射,对比了排列熵和相位排列熵对混沌窗的检测效果,分析了相位排列熵随数据长度、嵌入维数和时间延迟的变化规律。借助AR模型,研究了噪声对于相位排列熵的影响。最后,将相位排列熵用于心电信号和工程信号的异常检测分析中。实验结果表明:相比于排列熵算法,相位排列熵能改善对信号中异常变化的检测效果;通过增加嵌入维数,能提高相位排列熵对同一异常的检测性能;当嵌入维数小于等于5时,相位排列熵对数据长度不敏感。但是,相位排列熵相比于排列熵具有较差的噪声鲁棒性。实际信号的仿真研究表明,相位排列熵算法在生物医学和工程异常信号处理领域是一个十分有用的分析工具。2.基于两参数熵公式,提出了广义相位排列熵算法,验证了广义相位排列熵在检测系统动态改变时的优势,分析了参数q,δ选取对于系统动态改变检测的影响,探究了数据长度和噪声对于广义相位排列熵的影响,并将广义相位排列熵算法运用于异常心电信号的检测分析中。仿真结果表明:当广义排列熵和广义相位排列熵中的参数q,δ取值相同时,广义相位排列熵对于同一动态变化的检测效果更为显著;无论是针对logistic映射还是异常心电信号的动态变化检测,当q>0,δ>0时,减少q值或增加δ值,或者同时减小q值增加δ值,都能提高广义排列熵和广义相位排列熵对于动态变化的检测效果。此外,数据长度的改变对于广义排列熵和广义相位排列熵基本无影响,且两者对噪声均具有良好的鲁棒性。3.为优化排列熵算法中存在的细节性问题,基于二次分区,提出了编码排列熵。利用模拟信号、离散标准模型和连续标准模型,分析了编码排列熵对信号动态变化的检测效果,研究了不同信噪比时编码排列熵的检测性能,讨论了编码排列熵的算法复杂度。仿真结果表明:相比于排列熵、加权排列熵和幅度敏感排列熵,编码排列熵能抓取信号中的微小特征信息、放大对信号中动态变化的检测效果,但是它对噪声具有较差的鲁棒性,且需要相对较高的计算花费。最后,将编码排列熵运用于轴承故障信号的检测分析中。实际信号的仿真说明,当嵌入维数取较小值时,相比于其它三种算法,编码排列熵对轴承信号中的异常脉冲具有较好的检测性能。