关于连续系统Lyapunov指数的计算方法.docx
《关于连续系统Lyapunov指数的计算方法.docx》由会员分享,可在线阅读,更多相关《关于连续系统Lyapunov指数的计算方法.docx(12页珍藏版)》请在冰点文库上搜索。
![关于连续系统Lyapunov指数的计算方法.docx](https://file1.bingdoc.com/fileroot1/2023-6/6/cde5acbb-3447-4c84-a293-1f87a91ec3d1/cde5acbb-3447-4c84-a293-1f87a91ec3d11.gif)
关于连续系统Lyapunov指数的计算方法
1.关于连续系统Lyapunov指数的计算方法
连续系统LE的计算方法主要有定义方法、Jacobian方法、QR分解方法、奇异值分解方法,或者通过求解系统的微分方程,得到微分方程解的时间序列,然后利用时间序列(即离散系统)的LE求解方法来计算得到。
关于连续系统LE的计算,主要以定义方法、Jacobian方法做主要介绍内容。
(1)定义法
关于定义法求解的程序,和matlab板块的“连续系统LE求解程序”差不多。
以Rossler系统为例
Rossler系统微分方程定义程序
functiondX=Rossler_ly(t,X)
%Rossler吸引子,用来计算Lyapunov指数
%a=0.15,b=0.20,c=10.0
%dx/dt=-y-z,
%dy/dt=x+ay,
%dz/dt=b+z(x-c),
a=0.15;
b=0.20;
c=10.0;
x=X
(1);y=X
(2);z=X(3);
%Y的三个列向量为相互正交的单位向量
Y=[X(4),X(7),X(10);
X(5),X(8),X(11);
X(6),X(9),X(12)];
%输出向量的初始化,必不可少
dX=zeros(12,1);
%Rossler吸引子
dX
(1)=-y-z;
dX
(2)=x+a*y;
dX(3)=b+z*(x-c);
%Rossler吸引子的Jacobi矩阵
Jaco=[0-1-1;
1a0;
z0x-c];
dX(4:
12)=Jaco*Y;
求解LE代码:
%计算Rossler吸引子的Lyapunov指数
clear;
yinit=[1,1,1];
orthmatrix=[100;
010;
001];
a=0.15;
b=0.20;
c=10.0;
y=zeros(12,1);
%初始化输入
y(1:
3)=yinit;
y(4:
12)=orthmatrix;
tstart=0;%时间初始值
tstep=1e-3;%时间步长
wholetimes=1e5;%总的循环次数
steps=10;%每次演化的步数
iteratetimes=wholetimes/steps;%演化的次数
mod=zeros(3,1);
lp=zeros(3,1);
%初始化三个Lyapunov指数
Lyapunov1=zeros(iteratetimes,1);
Lyapunov2=zeros(iteratetimes,1);
Lyapunov3=zeros(iteratetimes,1);
fori=1:
iteratetimes
tspan=tstart:
tstep
tstart+tstep*steps);
[T,Y]=ode45('Rossler_ly',tspan,y);
%取积分得到的最后一个时刻的值
y=Y(size(Y,1),
;
%重新定义起始时刻
tstart=tstart+tstep*steps;
y0=[y(4)y(7)y(10);
y(5)y(8)y(11);
y(6)y(9)y(12)];
%正交化
y0=ThreeGS(y0);
%取三个向量的模
mod
(1)=sqrt(y0(:
1)'*y0(:
1));
mod
(2)=sqrt(y0(:
2)'*y0(:
2));
mod(3)=sqrt(y0(:
3)'*y0(:
3));
y0(:
1)=y0(:
1)/mod
(1);
y0(:
2)=y0(:
2)/mod
(2);
y0(:
3)=y0(:
3)/mod(3);
lp=lp+log(abs(mod));
%三个Lyapunov指数
Lyapunov1(i)=lp
(1)/(tstart);
Lyapunov2(i)=lp
(2)/(tstart);
Lyapunov3(i)=lp(3)/(tstart);
y(4:
12)=y0';
end
%作Lyapunov指数谱图
i=1:
iteratetimes;
plot(i,Lyapunov1,i,Lyapunov2,i,Lyapunov3)
程序中用到的ThreeGS程序如下:
%G-S正交化
functionA=ThreeGS(V)%V为3*3向量
v1=V(:
1);
v2=V(:
2);
v3=V(:
3);
a1=zeros(3,1);
a2=zeros(3,1);
a3=zeros(3,1);
a1=v1;
a2=v2-((a1'*v2)/(a1'*a1))*a1;
a3=v3-((a1'*v3)/(a1'*a1))*a1-((a2'*v3)/(a2'*a2))*a2;
A=[a1,a2,a3];
计算得到的Rossler系统的LE为――――0.0632310.092635-9.8924
Wolf文章中计算得到的Rossler系统的LE为――――0.090-9.77
需要注意的是――定义法求解的精度有限,对有些系统的计算往往出现计果和理论值有偏差的现象。
正交化程序可以根据上面的扩展到N*N向量,这里就不加以说明了,对matlab用户来说应该还是比较简单的!
(2)Jacobian方法
通过资料检索,发现论坛中用的较多的LET工具箱的算法原理就是Jacobian方法。
基本原理就是首先求解出连续系统微分方程的近似解,然后对系统的Jacobian矩阵进行QR分解,计算Jacobian矩阵特征值的乘积,最后计算出LE和分数维。
经过计算也证明了这种方法精度较高,对目前常见的混沌系统,如Lorenz、Henon、Duffing等的Lyapunov指数的计算精度都很高,而且程序编写有一定的规范,个人很推荐使用。
(虽然我自己要做的系统并不适用)
LET工具箱可以在网络上找到,这里就不列出了!
关于LET工具箱如果有问题,欢迎加入本帖讨论!
对离散动力系统,或者说是非线性时间序列,往往不需要计算出所有的Lyapunov指数,通常只需计算出其最大的Lyapunov指数即可。
“1983年,格里波基证明了只要最大Lyapunov指数大于零,就可以肯定混沌的存在”。
目前常用的计算混沌序列最大Lyapunov指数的方法主要有一下几种:
(1)由定义法延伸的Nicolis方法
(2)Jacobian方法
(3)Wolf方法
(4)P-范数方法
(5)小数据量方法
其中以Wolf方法和小数据量方法应用最为广泛,也最为普遍。
下面对Nicolis方法、Wolf方法以及小数据量方法作一一介绍。
(1)Nicolis方法
这种方法和连续系统的定义方法类似,而且目前应用很有限制,因此只对其理论进行介绍,编程应用方面就省略了
(2)Wolf方法
Wolf方法的Matlab程序如下:
functionlambda_1=lyapunov_wolf(data,N,m,tau,P)
%该函数用来计算时间序列的最大Lyapunov指数--Wolf方法
%m:
嵌入维数
%tau:
时间延迟
%data:
时间序列
%N:
时间序列长度
%P:
时间序列的平均周期,选择演化相点距当前点的位置差,即若当前相点为I,则演化相点只能在|I-J|>P的相点中搜寻
%lambda_1:
返回最大lyapunov指数值
min_point=1;%&&要求最少搜索到的点数
MAX_CISHU=5;%&&最大增加搜索范围次数
%FLYINGHAWK
%求最大、最小和平均相点距离
max_d=0;%最大相点距离
min_d=1.0e+100;%最小相点距离
avg_dd=0;
Y=reconstitution(data,N,m,tau);%相空间重构
M=N-(m-1)*tau;%重构相空间中相点的个数
fori=1:
(M-1)
forj=i+1:
M
d=0;
fork=1:
m
d=d+(Y(k,i)-Y(k,j))*(Y(k,i)-Y(k,j));
end
d=sqrt(d);
ifmax_dmax_d=d;
end
ifmin_d>d
min_d=d;
end
avg_dd=avg_dd+d;
end
end
avg_d=2*avg_dd/(M*(M-1));%平均相点距离
dlt_eps=(avg_d-min_d)*0.02;%若在min_eps~max_eps中找不到演化相点时,对max_eps的放宽幅度
min_eps=min_d+dlt_eps/2;%演化相点与当前相点距离的最小限
max_eps=min_d+2*dlt_eps;%&&演化相点与当前相点距离的最大限
%从P+1~M-1个相点中找与第一个相点最近的相点位置(Loc_DK)及其最短距离DK
DK=1.0e+100;%第i个相点到其最近距离点的距离
Loc_DK=2;%第i个相点对应的最近距离点的下标
fori=(P+1):
(M-1)%限制短暂分离,从点P+1开始搜索
d=0;
fork=1:
m
d=d+(Y(k,i)-Y(k,1))*(Y(k,i)-Y(k,1));
end
d=sqrt(d);
if(dmin_eps)
DK=d;
Loc_DK=i;
end
end
%以下计算各相点对应的李氏数保存到lmd()数组中
%i为相点序号,从1到(M-1),也是i-1点的演化点;Loc_DK为相点i-1对应最短距离的相点位置,DK为其对应的最短距离
%Loc_DK+1为Loc_DK的演化点,DK1为i点到Loc_DK+1点的距离,称为演化距离
%前i个log2(DK1/DK)的累计和用于求i点的lambda值
sum_lmd=0;%存放前i个log2(DK1/DK)的累计和
fori=2:
(M-1)%计算演化距离
DK1=0;
fork=1:
m
DK1=DK1+(Y(k,i)-Y(k,Loc_DK+1))*(Y(k,i)-Y(k,Loc_DK+1));
end
DK1=sqrt(DK1);
old_Loc_DK=Loc_DK;%保存原最近位置相点
old_DK=DK;
%计算前i个log2(DK1/DK)的累计和以及保存i点的李氏指数
if(DK1~=0)&(DK~=0)
sum_lmd=sum_lmd+log(DK1/DK)/log
(2);
end
lmd(i-1)=sum_lmd/(i-1);
%以下寻找i点的最短距离:
要求距离在指定距离范围内尽量短,与DK1的角度最小
point_num=0;%&&在指定距离范围内找到的候选相点的个数
cos_sita=0;%&&夹角余弦的比较初值――要求一定是锐角
zjfwcs=0;%&&增加范围次数
while(point_num==0)
%*搜索相点
forj=1:
(M-1)
ifabs(j-i)<=(P-1)%&&候选点距当前点太近,跳过!
continue;
end
%*计算候选点与当前点的距离
dnew=0;
fork=1:
m
dnew=dnew+(Y(k,i)-Y(k,j))*(Y(k,i)-Y(k,j));
end
dnew=sqrt(dnew);
if(dnewmax_eps)%&&不在距离范围,跳过!
continue;
end
%*计算夹角余弦及比较
DOT=0;
fork=1:
m
DOT=DOT+(Y(k,i)-Y(k,j))*(Y(k,i)-Y(k,old_Loc_DK+1));
end
CTH=DOT/(dnew*DK1);
ifacos(CTH)>(3.14151926/4)%&&不是小于45度的角,跳过!
continue;
end
ifCTH>cos_sita%&&新夹角小于过去已找到的相点的夹角,保留
cos_sita=CTH;
Loc_DK=j;
DK=dnew;
end
point_num=point_num+1;
end
ifpoint_num<=min_point
max_eps=max_eps+dlt_eps;
zjfwcs=zjfwcs+1;
ifzjfwcs>MAX_CISHU%&&超过最大放宽次数,改找最近的点
DK=1.0e+100;
forii=1:
(M-1)
ifabs(i-ii)<=(P-1)%&&候选点距当前点太近,跳过!
continue;
end
d=0;
fork=1:
m
d=d+(Y(k,i)-Y(k,ii))*(Y(k,i)-Y(k,ii));
end
d=sqrt(d);
if(dmin_eps)
DK=d;
Loc_DK=ii;
end
end
break;
end
point_num=0;%&&扩大距离范围后重新搜索
cos_sita=0;
end
end
end
%取平均得到最大李雅普诺夫指数
lambda_1=sum(lmd)/length(lmd);
程序中用到的reconstitution函数如下:
functionX=reconstitution(data,N,m,tau)
%该函数用来重构相空间
%m为嵌入空间维数
%tau为时间延迟
%data为输入时间序列
%N为时间序列长度
%X为输出,是m*n维矩阵
M=N-(m-1)*tau;%相空间中点的个数
forj=1:
M%相空间重构
fori=1:
m
X(i,j)=data((i-1)*tau+j);
end
end