1. 自带测试数据，一键完美运行。更换数据简单方便。
2. 代码类商品售出不退，仅供参考学习，出现任何违反学术行为与本店无关
3. 购买前，请您确认是否有matlab基础和阅读过相关文献

2025年2月，研究者在国际顶级期刊《Chaos, Solitons & Fractals》（JCR 1区，中科院1区 Top）上发表科学研究成果，以“Global ordinal pattern attention entropy: A novel feature extraction method for complex signals”为题。在注意熵（Attention entropy）的基础上提出了 全局有序模式注意熵 Global ordinal pattern attention entropy，GOPAE，并将GOPAE应用于凯斯西储大学故障轴承振动数据、帕德博恩大学（Paderborn University）故障轴承电流数据、ADHD儿童的脑电图EEG信号。结果表明，与以前的方法相比，GOPAE能够有效识别不同类型的复杂信号。

将 全局有序模式注意熵 Global ordinal pattern attention entropy，GOPAE 扩展到5种多尺度（部分暂无任何文献应用报道，属全球首创），可用于分析一切时间序列中，如：电能质量数据、振动数据、风速、功率、声音、温度、交通、水流、地震波、心率、脑电、肌电、金融等等，您能想到的时间序列皆有可能。知道的人很少很少，发文章全凭眼疾手快，赶快应用到自己的研究领域吧。参考其他熵，发个二/三区SCI没有任何问题，运气好一区也能行，水个中文核心更是不在话下。

1.全局有序模式注意熵(Global ordinal pattern attention entropy)

2.多尺度全局有序模式注意熵(Multiscale Global ordinal pattern attention entropy)

3.层次全局有序模式注意熵(Hierarchical Global ordinal pattern attention entropy)

4.复合多尺度全局有序模式注意熵(Composite multiscale Global ordinal pattern attention entropy)

5.精细复合多尺度全局有序模式注意熵(Refined Composite multiscale Global ordinal pattern attention entropy)

6.时移多尺度全局有序模式注意熵(Time-shift multiscale Global ordinal pattern attention entropy)