排列熵是有效刻画时间序列动力学复杂性的指标,其算法简单、可操作性强,能有效放大时间序列的微小变化.本文首先提出了一种新的序列混沌边缘识别方法——滑动移除排列熵(MC-PE),并对该方法和其他三种排列熵方法的混沌边缘识别的有效性进行分析和对比,然后讨论了MC-PE方法的影响因素,最后将加权排列熵应用到成矿元素品位序列数据的分析中,为探讨成矿元素品位序列的复杂性与矿化等级的关系提供新思路.主要研究内容如下:(1)通过由Logistic方程产生的理想时间序列检验四种排列熵方法的混沌边缘识别的有效性,并与传统的动力学状态识别方法进行对比.M-PE、M-WPE和MC-PE都能有效地识别理想时间序列的两个边缘点;MC-WPE不能识别序列的边缘点;而传统的滑动t检验和Mann-Kendall方法都只识别出其中的一个边缘点.基于排列熵的前三种方法在混沌边缘识别上明显优于传统方法.(2)通过有效性对比分析,发现M-WPE方法得到的PE(m)值上升区间比M-PE方法得到的更加陡峭,符合滑动数据的过程,区分度更好,而M-PE方法却没在上升区间内达到最大值,M-WPE方法优于M-PE方法.另一方面,发现M-PE方法依赖于滑动窗口的大小,其结果存在一个大小与滑动窗口相近的上升突变区间,得出的边缘点位置误差较大.MC-PE方法得出的边缘点位置可以精确到滑动移除窗口W范围内,且该方法几乎不依赖于滑动移除窗口的大小,明显优于M-PE方法.(3)构造由Lorenz方程和随机数产生的混沌时间序列,分析数据样本容量和噪声对MC-PE方法的影响.结果表明MC-PE方法对时间序列样本容量的依赖较小,对尖峰噪声和高斯白噪声具有较强的抗干扰能力.(4)运用加权排列熵算法分析大尹格庄金矿Au元素品位序列和甲玛铜矿Cu元素品位序列的复杂性特征,得到的WPE值与不同矿化等级存在关联,其熵值由大变小依次为:中等矿化(29)强矿化(29)弱矿化(29)无矿化,表明加权排列熵是识别矿化强度的一个有效指标。