对混沌判定方法的研究表明,Lyapunov指数是描述混沌现象的重要特征量,也是最能准确判断混沌现象的依据。除了1.1.3节中介绍的根据定义计算Lyapunov指数外,还有很多种计算Lyapunov指数的方法,但其大体上可以分为两类:Wolf方法和Jocobian方法。其中,Wolf方法适用于时间序列无噪声,切空间中小向量的演变呈现高度非线性;Jocobian方法适用于时间序列噪声大,切空间中小向量的演变接近线性。
1.1.4.1 Wolf方法
1985年,Wolf等首先提出直接基于相轨线、相平面、相体积等的演化来估计Lyapunov指数的值。这类方法都是对单变量的时间序列进行相空间重构来提取Lyapunov指数的,这是因为一般的实测时间序列无法确切其代表的原始动力学过程,很难精确地计算出Lyapunov指数值。
Wolf方法是对系统两条或更多条轨道进行跟踪,获得它们的演变规律以提取Lyapunov指数,其基本思想是:
设混沌时间序列为{x1,x2,…,xk,…},嵌入维数为m,延迟时间τ后重构的相空间为Y(ti)=(x(ti),x(ti+τ),…,x(ti+(m-1)τ)),i=1,2,…,N。取重构相空间的初始点Y(t0),设其最近邻点为Y0(t0),两点之间的距离为L0。追踪这两点的时间演化,直到它们之间的距离超过某个正的规定值ε时,将这一刻时间记为t1,即:L′(t1)=|Y(t1)-Y0(t1)|>ε,保留Y(t1)的值。接着在Y(t1)附近寻找一个满足L(t1)=|Y(t1)-Y1(t1)|<ε的点Y1(t1),并且使两者之间的夹角尽可能地小。继续重复上述追踪的过程,直到Y(t)到达时间序列的终点。这时追踪演化过程总的迭代次数为M,则最大Lyapunov指数为:
图1.1描绘了用Wolf方法计算最大Lyapunov指数的整个过程
图1.1 Wolf法求最大Lyapunov指数示意图
如果要计算次大的Lyapunov指数,则要追踪一个点以及邻近两个点构成的三角形的时间演化。如果这个三角形变得太偏斜或者其面积A′(t1)变得太大,需要重新选取一个两边与原三角形两条边夹角最小的三角形A(t1)。重复上述追踪过程,直到终点,则次大的Lyapunov指数λ2满足:
(www.xing528.com)
用此方法计算次大Lyapunov指数的示意图如图1-2所示。同理,用此方法可以求得其他的Lyapunov指数。
图1.2 Wolf法求次大Lyapunov指数示意图
原则上,对于无噪声的无限长的时间序列,Wolf方法可以精确求得系统所有Lyapunov指数的值。但实际应用中,由于噪声的影响和时间序列长度有限,该方法只能较为可靠地估计其最大Lyapunov指数。
1.1.4.2 Jacobian方法
为了进一步辨别混沌与随机过程,求解Lyapunov指数值是关键。运用Jacobian方法求Lyapunov指数值是一种在实际应用中发展起来的方法,其基本思想为:
设混沌时间序列为{s1,s2,…,sk,…},嵌入维数为m,延迟时间τ后重构的相空间为x(ti)=(s(ti),s(ti+τ),…,s(ti+(m-1)τ),i=(1,2,…N),其中离散时间间隔为Δt。假设t(t=kΔt,k∈{1,2,…,N-1})时刻时,点x(t)处的单位切向量为e,经过时间Δt后,切向量演变为e′。在很短的时间内,切向量的演变过程是接近线性的,因此可以用轨道上的点x(t)处的其他切向量的演变值的线性组合来近似代替e的演变值e′。考虑空间中点x(t)到轨道上其他点所形成的小向量xi构成的矩阵X=(x1,x2,…,xn),xi=x(liΔt)-x(t),其中要求小向量xi充分小,即|x(liΔt)-x(t)|<ε,li∈{1,2,…,N}。
选取一个特定的线性组合y,使其满足条件Xy≈e,y∈Rn。显然,线性组合y经过时间Δt后,使得式子X′y≈e′,y∈Rn成立。其中,X′是由X中的切向量演变而成的向量组。如果前面所述的演变过程具有很好的线性特征,则有Xy≈e和X′y≈e′,其中y=X+e,X+=(XTX)-1XT。
最后根据Lyapunov指数的计算公式1)Δt‖/‖e(jΔt)‖),得到
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。