1.一种用于模式重建和预测的广义多元奇异谱分析方法，其特征在于，所述用于模式重建和预测的广义多元奇异谱分析方法包括：通过嵌入方式获得轨迹矩阵Ai，

其中， 表示给定的多元时间序列数据集，其中的每个时间序列样本为d是窗口长度，m＝n-d+1表示嵌入的延迟移位行向量的数量，每个时间序列Ti将变换为轨迹矩阵；

对所述轨迹矩阵Ai,i＝1,…,c进行秩分解得到d个秩为1的矩阵将所有所述秩为1的矩阵 分成多组，并分别对每组内的矩阵进行求和，包括：

以L＝{l1,l2,…,lp}表示一组指数l1,l2,…,lp，将与组L对应的矩阵 定义为

将索引集{1,2,…,d}拆分为不相交的子集L1,L2,…,Ls，得到重组矩阵的求和结果将 中的每个重组矩阵转换为长度为n的初始时间序列。

2.根据权利要求1所述的用于模式重建和预测的广义多元奇异谱分析方法，其特征在于，所述对所述轨迹矩阵Ai,i＝1,…,c进行秩分解得到d个秩为1的矩阵 包括：分别定义轨迹矩阵集 中的平均水平协方差矩阵F和平均垂直协方差矩阵G为：和

将U作为F的特征向量矩阵以及将V作为G的特征向量矩阵得到： U≡(u1,u2,…,um)和 V≡(v1,v2,…,vd)；

定义Mi,j＝UTAiV(:,j)＝UTAivj,i＝1,…,c；j＝1,…,d；

定义 得到d个秩为1的矩阵

3.根据权利要求1所述的用于模式重建和预测的广义多元奇异谱分析方法，其特征在于，所述将 中的每个重组矩阵转换为长度为n的初始时间序列包括：

采用对角平均法，对正斜率对角线分组求平均值，生成每个结式矩阵的重构元素，其中所述重构元素与原始序列中相应元素的位置相同，矩阵 包含元素ygh，1≤g≤m,1≤h≤d；

令d*＝min(m,d)、m*＝max(m,d)及n＝m+d-1；

若m

根据对角线平均法将矩阵 转换为序列 其中， 对应于对角线i+j＝t+1上矩阵元素的平均值， 的公式为：原始序列Ti被分解为S个序列之和：

4.根据权利要求1至3中任意一项所述的用于模式重建和预测的广义多元奇异谱分析方法，其特征在于，所述将所有所述秩为1的矩阵 分成多组，并分别对每组内的矩阵进行求和还包括：当所述序列包含信号和噪声时，则采用两组索引集L1＝{1,2,…,k}和L2＝{k+1,…,d}；

分别将L1＝{1,2,…,k}与信号分量关联以及将L2＝{k+1,…,d}与噪声分量关联。

5.根据权利要求4所述的用于模式重建和预测的广义多元奇异谱分析方法，其特征在于，所述将所有所述秩为1的矩阵 分成多组，并分别对每组内的矩阵进行求和还包括：根据 的样本熵划分每个 的索引集{1,2,…,d}，包括：定义矩阵Ai的样本熵等效于时间序列Ti的样本熵，其中Ai的第e个向量序列为：

1≤e≤n-d+1；

向量 及其邻近向量 之间的距离 定义为：在公差r范围内， 与其所有邻近向量之间的平均相似度定义为：其中，Θ表示赫维赛德函数，且

两个向量序列与d点匹配的概率 为：通过Ti构建Ai的d+1维嵌入向量 并按照与 相同的方式定义平均相似度 及概率

获得在n→∞下的矩阵Ai或时间序列Ti的样本熵估值：其中，SampEn表示样本熵。