斜率熵Slop entropy，多尺度斜率熵，层次斜率熵，时移多尺度斜率熵，复合多尺度斜率熵，精细复合多尺度斜率熵（Matlab版）-526互联

斜率熵Slop entropy，多尺度斜率熵，层次斜率熵，时移多尺度斜率熵，复合多尺度斜率熵，精细复合多尺度斜率熵（Matlab代码获取链接：https://mbd.pub/o/bread/mbd-ZJqZlJ5t）

熵或复杂性度量区分时间序列类别和理解潜在动态的能力是众所周知的。斜率熵(Slop entropy)使用一种基于两个连续数据样本生成的斜率的新颖编码方法来保持子序列的符号表示。该算法非常简单，易于实现，作为特征提取方法可以与机器学习、深度学习结合，解决复杂的分类或预测问题，在进一步的研究中有很大的改进和定制空间。

参考文献：

D. Cuesta-Frau, “Slope Entropy: A New Time Series Complexity Estimator Based on Both Symbolic Patterns and Amplitude Information,” Entropy, vol. 21, no. 12, p. 1167, Nov. 2019, doi: 10.3390/e21121167.

包括：

1.斜率熵（Slop Entropy），

2.多尺度斜率熵（Multiscale Slop Entropy），

3.复合多尺度斜率熵（composite multiscale Slop entropy），

$CMEn=\frac{1}{\tau} \sum_{k=1}^\tau E\left(\mathbf{y}_k^{(\tau)}\right)$

4.精细复合多尺度斜率熵（refined composite multiscale Slop entropy），

$RCMEn=-\sum_{\pi=1}^{c} \tilde{P} \left(\pi\right) \ln \left(\tilde{P}\left(\pi\right)\right)$

$\tilde{P}=\frac{1}{\tau} \sum_{k=1}^\tau P_k(t)$

5.时移多尺度斜率熵（time-shift multiscale Slop entropy），

6.层次多尺度斜率熵（Hierarchical multiscale Slop entropy）