Characterization of nonlinear dynamical systems

based on time series

Capitolul 1
Noţiuni generale privind sistemele dinamice neliniare

1.1 Introducere
Un sistem dinamic determinist este un sistem fizic, artificial sau natural, modelat
matematic printr-o lege care determină în mod univoc starea sistemului la un moment
arbitrar t>t0, presupunând că se cunoaşte starea lui la momentul iniţial t0.
Majoritatea sistemelor dinamice sunt modelate prin sisteme de ecuaţii diferenţiale
de ordinul întâi,
o
x 1 = f 1 ( x1 , x 2 , ..., x n ; t )
o
x 2 = f 2 ( x1 , x 2 , ..., x n ; t )

……………….
o
x n = f n ( x1 , x 2 , ..., x n ; t ) ,
o
unde x ≡ dx / dt .
Dacă variabila independentă t nu apare explicit în membrul drept, sistemul se
numeşte autonom; în caz contrar, sistemul este neautonom. Prin introducerea unei noi
 variabile xn+1=t, sistemul neautonom se transformă în unul autonom, de ordin mai mare cu
o unitate.
Dacă funcţiile fk din membrul drept nu sunt combinaţii liniare ale variabilelor xk,
atunci sistemul se numeşte neliniar.
Un exemplu simplu de sistem dinamic descris de un sistem de ecuaţii diferenţiale
de ordinul întâi îl reprezintă oscilatorului armonic liniar. Ecuaţia de mişcare
d2x
m = −kx ,
dx2

cu notaţiile x1=x, x2=dx/dt=dx1/dt, poate fi scrisă ca un sistem de două ecuaţii diferenţiale

de ordinul întâi:
•
x1 = x 2
• k
x2 = − x1 .
m

Soluţia este de forma:

x0
x1 (t)=x0cosωt+ sin ωt ,
ω
x2 (t)=-ωx0sinωt+v0cosωt,

k
unde x0=x1 (0) şi v0 =x2 (0) sunt condiţiile iniţiale, iar ω= este frecvenţa oscilaţiilor.
m
Cele două variabile, x1(t) şi x2(t), determină complet starea sistemului la momentul arbitrar
t. Ele reprezintă variabilele de stare ale sistemului, sau gradele lui de libertate. Numărul lor
reprezintă dimensiunea dinamică a sistemului.
Ne putem imagina un plan determinat de variabilele de stare, numit planul fazelor
sau, dacă sistemul este de dimensiune >2, spaţiul fazelor sau spaţiul stărilor. Atunci,
valorile lui x1 şi x2, de la un moment arbitrar t, reprezintă coordonatele unui punct din acest
planul, iar evoluţia temporală a sistemului dinamic este reprezentată prin traiectoria
descrisă de acest punct.
Traiectoria porneşte din punctul corespunzător condiţiilor iniţiale şi evoluează către
un obiect geometric care corespunde regimului permanent, şi care se numeşte atractor.
Spre exemplu, regimului staţionar îi corespunde un punct, numit punct fix (sau punct de
echilibru). Dacă sistemul evoluează către un regim periodic, traiectoria respectivă tinde să
se înfăşoare pe o curbă închisă, numită orbită periodică. O mulţime de traiectorii care
 reflectă clar diferitele tipuri de evoluţie ale sistemului dinamic formează portretul de fază
al sistemului respectiv.
În timp ce pentru sistemele de ecuaţii diferenţiale ordinare liniare există o metodă
generală de rezolvare, soluţia fiind o superpoziţie de funcţii exponenţiale, pentru sistemele
neliniare se cunosc soluţii analitice doar pentru câteva cazuri particulare. Analiza lor se
bazează în principal pe structura topologică a portretului de fază, respectiv pe rezolvarea
prin metode numerice a ecuaţiilor.
Sistemele dinamice descrise prin ecuaţii diferenţiale se mai numesc şi sisteme
dinamice în timp continuu. Foarte multe sisteme tehnice intră în această categorie. Dacă ne
referim numai la sistemele electrice, orice sistem care conţine cel puţin o bobină sau un
condensator, este un astfel de sistem: diferite tipuri de maşini electrice, convertoarele
statice, reţelele electrice, ş.a. De aici rezultă şi importanţa studierii metodelor generale de
analiză a sistemelor dinamice neliniare.
O altă clasă de sisteme dinamice se obţine prin aplicarea repetată, la momente
discrete de timp, a unei reguli definită printr-o funcţie matematică. Dacă x este o variabilă
de stare a sistemului, care la momentul tk are valoarea xk, atunci valoarea ei la un moment
ulterior tk+1, xk+1, rezultă din relaţia
x k +1 = f ( x k ) .

Acest tip de sistem dinamic se mai numeşte şi sistem dinamic în timp discret, sau
aplicaţie iterată (aici termenul de aplicaţie se referă la funcţia f). Traiectoria în spaţiul
stărilor este formată de şirul de puncte determinat de valorile x0, x1, x2, …xn,…
Aplicaţiile iterate prezintă importanţă în special datorită faptului că printr-o tehnică
de strobare, unui sistem dinamic în timp continuu i se poate asocia o aplicaţie iterată, care
conţine toate caracteristicile sistemului continuu, şi care este mai uşor de studiat decât
sistemul continuu.

1.2 Sisteme dinamice de dimensiune 1 şi 2

Sistemele dinamice 1D sunt descrise printr-o singură variabilă de stare, respectiv o
singură ecuaţie de stare,
o
x = f ( x)
f(x) o
x<0

x0+x

x
x0
rad
 Punctele fixe ale sistemului se obţin ca soluţii ale ecuaţiei algebrice f(x)=0. În
spaţiul stărilor 1D există trei tipuri de puncte fixe:
1. noduri atractoare: punctul fix atrage o traiectorie care porneşte dintr-un punct vecin
lui;
2. noduri repulsive: este opusul punctul fix atractor;
3. şei: punctul fix care atrage unele traiectorii, iar pe altele le respinge.
Fie x0 un punct fix, adică :
f(x) o
o x>0
x x = x0 = f ( x0 ) = 0

Să consideram o traiectorie care a ajuns într-un

punct X=X0+x situat la dreapta lui X0(x>0). Dacă x0+x
o
f(X0+x)>0 (pentru x>0), atunci şi x = f ( X o + x) > 0 şi X0
x
traiectoria va evolua către X mai pozitivi deci se va
(respingător)
o
depărta de X0. În caz contrar, adică f(X0+x)<0 ⇒ x < 0
şi traiectoria va evolua către X.
Un raţionament similar se poate face dacă punctul de pe traiectorie este undeva în
o
stânga punctului fix X0. Dacă f(X0-x)= x >0, punctul se deplasează spre punctual fix, iar
o
dacă f(X0-x)= x <0, punctul se deplasează pe punctul fix. În ambele situaţii:
df ( x)
λ= x = x0 <0, pentru un nod atractor şi
dx
df ( x)
λ= x = x0 >0, pentru un repulsor.
dx
Valoarea acestei derivate o numim valoare proprie λ. Dacă λ=0, pentru a decide
tipul de puncte fixe trebuie să evoluăm şi derivata a doua a lui f(x) în X0:
d 2 f ( x)
, schimbă semnul când trece printr-un nod sau un respingător,
dx 2
respectiv nu schimbă semnul când trece printr-un punct şa.
 v
Punctele fixe pentru care λ=0 atrag, respectiv resping, traiectoriile mai lent decât
cele cu λ ≠ 0. Punctele fixe cu λ=0 sunt relativ rare.
O informaţie importantă privind evoluţia unei traiectorii în jurul unui punct fix se
obţine descompunând f(x) în serie Taylor în jurul punctului fix:
df 1 d2 f
f ( x ) = f ( x0 ) + ( x − x0 ) x = x0 + ( x − x0 )2 x = x0 + ...
dx 2 dx 2

Pe baza ecuaţiilor dinamice ale sistemului şi neglijând termenii de ordin ≥ 2,

obţinem:
• df df
x = f ( x ) ≅ f ( x0 ) + ( x − x0 ) x − x0 = ( x − x0 ) x − x0 ,
dx dx

Introducem variabila x1 =x-x0, pentru a “măsura” distanţa dintre traiectorie şi

punctul fix:
o
 df 
x1 = x1   = λ x x1 ,
 dx  x = x0
 unde
 df 
λ≡  .
 dx  x = x0

Soluţia acestei ecuaţii diferenţiale liniare, omogene, este :

x=x(0)eλt

Dacă λ<0, atunci distanţa dintre punctul curent al traiectoriei şi punctul fix scade
exponenţial, deci punctul fix este un atractor; dacă λ>0, atunci traiectoria se depărtează
exponenţial de el, punctul fix fiind acum un repulsor. Valoarea proprie λ, al cărei semn
determină apropierea sau îndepărtarea traiectoriei de punctul fix, se mai numeşte exponent
Liapunov. Această mărime joacă un rol important în cuantificarea comportamentelor
complexe ale sistemelor dinamice neliniare.
Un concept important privind proprietăţile topologice ale traiectoriilor îl reprezintă
stabilitatea structurală. Dacă un punct fix îşi păstrează caracterul când ecuaţia dinamică îşi
modifică uşor structura, atunci spunem că punctul fix este structural stabil. Dacă din
contra, punctul fix îşi schimbă caracterul sau chiar dispare la astfel de modificări, el este
structural instabil. Tranziţia de la un tip de portret de fază la altul este studiată de teoria
bifurcaţiei. Această problemă apare atunci când studiem influenţa unui parametru din
regula care defineşte sistemul dinamic, asupra topologiei portretului de fază.

P unc t fix

Ce fel de traiectorii putem avea în spaţiul stărilor 1D? Trebuie să notăm, că discuţia
de până acum ne spune doar ce se întâmplă în vecinătatea punctului fix, adică comportarea
locală a sistemului. Pentru a obţine o imagine pe un interval mai mare al traiectoriilor,
trebuie să luăm în considerare relaţia dintre poziţiile diferitelor tipuri de puncte fixe.
Această relaţie este puternic strânsă de funcţia f(x), în cazul 1D: două puncte fixe vecine
nu pot fi ambele noduri atractoare sau repulsoare; nu poate unul să fie punct şa de tipul
unu, iar celălalt punct şa de tipul doi. De exemplu, între două noduri X0 şi X1 trebuie să fie
un punct fix respingător R. Fiind cunoscute tipurile şi poziţiile punctelor fixe pentru un
 sistem, putem asambla un portret de fază globală, o imagine a modului în care traiectoria
trebuie să călătorească prin spaţiul stărilor. Pentru cazul 1D acest lucru este destul de
simplu.
Alte cazuri sunt mai jos:

Dacă traiectoriile trebuie să “stea” într-o

regiune finită a spaţiului stărilor pentru orice
(traiectorii “mărginite”), atunci punctele fixe
“exterioare” de pe axa x, trebuie să fie noduri.
Aşadar, fiind cunoscute tipurile şi poziţiile
punctelor fixe pentru un sistem, putem asambla un
portret de fază globală, o imagine a nodului în care
traiectoria trebuie să călătorească prin spaţiul stărilor. Pentru cazul 1D acest lucru este
destul de simplu.

Pentru un sistem dinamic de ordinul doi,

o
x1 = f 1 ( x1 , x 2 )
o
x 2 = f 2 ( x1 , x 2 )
portretul de fază poate fi mai complex.
Punctele fixe (x10, x20) ale sistemului se obţin rezolvând ecuaţiile

f1 ( x1 , x 2 ) = 0
f 2 ( x1 , x ) = 0

Caracterul punctelor fixe şi comportarea traiectoriilor în vecinătatea lor sunt

determinate de derivatele parţiale ale funcţiilor f1 şi f2, evaluate în punctul fix considerat:
 ∂f 1 ∂f 1 ∂f 2 ∂f 2
; : , .
∂x1 ∂x 2 ∂x1 ∂x 2

Pentru început să examinăm cazul special când numai două din cele patru derivate
sunt diferite de zero. În particular, să presupunem că în punctele fixe (x10, x20) derivatele au
valorile:

∂f 1 ∂f 1
= λ1 =0
∂x1 ∂x 2

∂f 2 ∂f 2
=0 = λ2
∂x1 ∂x 2

În acest caz special, ce se întâmplă după direcţia x1, în vecinătatea punctului fix,
depinde numai de λ1, şi ceea ce se întâmplă în lungul direcţiei x2, depinde de λ2. Spunem că
x1 şi x2 sunt direcţiile caracteristice cu valorile asociate lui λ1 şi λ2.
Putem acum construi un catalog de tipuri de puncte fixe în spaţiul stărilor 2D,
combinând tipurile din spaţiul stărilor 1D. Ne vom limita deocamdată la cazul cel mai
simplu: λ1, λ2, numere reale nenule. În acest caz, tipurile posibile de puncte fixe sunt:
1. λ1<0.
λ2<0 ⇒ nod atractor
2. λ1>0
λ2>0 ⇒ nod repulsor
3. λ1>0
λ2<0 ⇒ punct şa
4. λ1<0
λ2>0 ⇒ punct şa
 Nod atractor repusor

Punct şa Punct şa

Traiectoria se comportă în vecinătatea unui punct şa ca o bilă care se rostogoleşte

sub acţiunea gravităţii pe o suprafaţă tip şa. Mai formal, putem defini o funcţie g(x,y) astfel
încât
∂g ( x, y ) ∂g ( x, y )
f 1 ( x, y ) = − , f 2 ( x, y ) = − .
∂x ∂y

Funcţiile f1 şi f2 se obţin aşadar ca gradientul “funcţiei potenţiale” g(x,y). Într-un

punct fix al sistemului f1=f2=0, deci g are un extrem. Într-un punct şa g are un minim după
axa x şi un maxim după axa y. Pentru un sistem mecanic, funcţia g(x,y) poate fi de
exemplu energia potenţială a sistemului.
Mulţimea punctelor care formează traiectoriile ce se îndreaptă către un punct şa,
apropiindu-se de el pe măsură ce t → ∞ , poartă numele de varietate invariantă asociată
acelui punct şa. Traiectoriile care se îndreaptă spre punctul şa formează o varietate stabilă
(pentru că λ<0 în lungul acestor traiectorii); traiectoriile care se depărtează de punctul şa
formează o varietate instabilă. Aceste varietăţi se mai numesc in-sets respectiv out-sets.
Punctele şa joacă un rol important în organizarea comportării tuturor traiectoriilor
posibile în spaţiul stărilor. Fie de exemplu un sistem cu un singur punct fix. Dacă acesta
este un punct şa şi dacă λ ≠ 0, atunci in-seturile şi out-seturile punctelor împart spaţiul
 stărilor în patru cadrane. O traiectorie care nu este un in-set sau out-set este continuă în
cadranul din care porneşte. În acest sens, in-setul si out-setul “organizează” spaţiul stărilor.
Pentru acest tip de punct şa, traiectoriile în vecinătatea punctului şa arată ca porţiunea de
hiperbolă, de unde şi denumirea de punct hiperbolic, pentru acest punct şa. De fapt
denumirea de “hiperbolic” se foloseşte pentru orice punct fix ale cărui valori caracteristice
λ ≠ 0.
Pentru a stabili caracterul unui punct fix, trebuie să determinăm valorile
caracteristice. Ne vom reîntoarce la ecuaţiile de stare generale în 2D, pe care le dezvoltăm
în serie Taylor în jurul punctelor fixe (x10, x20):

o ∂f 1 ∂f
X 1 = f 1 ( x1 , x 2 ) = f ( x10 , x 20 ) + ( x1 − x10 ) + ( x 2 − x 20 ) 1 + ...
∂x1 ∂x 2
o ∂f 2 ∂f
X 2 = f 2 ( x1 , x 2 ) = f ( x10 , x 20 ) + ( x1 − x10 ) + ( x 2 − x 20 ) 2 + ...
∂x1 ∂x 2

derivate fiind evoluate în (x10, x20). Introducem noile variabile x1=X1-X10 şi x2=X2-X20 care
o o o o
indică abaterea faţă de punctul fix (x10,x20), observând că x1 = x 1 , x 2 = x 2 şi neglijând
derivatele de ordin superior, obţinem:

o ∂f 1 ∂f
x1 = x1 + x2 1
∂x1 ∂x 2
o ∂f 2 ∂f
x 2 = x1 + x2 2
∂x1 ∂x 2

sau, în formă matricială,

 ∂f 1 ∂f 1 
• 
x
 1  =  ∂x1 ∂x 2   x1 
 
 •   ∂f 2 ∂f 2   x 
 x 2   ∂x  2
 1 ∂x 2 

Acesta este un sistem de ecuaţii diferenţiale liniare de ordin 1 cu coeficienţi

constanţi. Matricea pătrată a derivatelor parţiale se numeşte matricea Jacobi, J(f).

Rădăcinile ecuaţiei caracteristice

 det( J ( f ) − λ .1 ) = 0

sunt valorile proprii λ ale sistemului, în punctul fix în jurul căruia s-a efectuat dezvoltarea
în serie Taylor. Ca şi la sistemul 1D, semnul acestor valori proprii determină stabilitatea,
deci tipul punctului fix.

1.3 Sisteme disipative

Sistemele disipative sunt sisteme în care are loc o disipare de energie. Aceste au o
caracteristică distinctivă: comportarea lor pe termen lung este în mare măsură
independentă de modul în care “pornim” sistemul. Putem aşadar ignora regimul tranzitoriu,
focalizându-ne atenţia asupra comportării pe termen lung.
Pe măsură ce sistemul disipativ evoluează în timp, traiectoria se va îndrepta către
un obiect geometric, numit atractor.
Proprietăţile geometrice ale
atractorului determină proprietăţile
dinamice ale comportării pe termen
lung a sistemului. Acest obiect Bazin de
geometric final îl vom numi “atractor” atracţie
pentru că un număr de traiectorii atractor
distincte, se vor apropia (vor fi atrase)
de această mulţime de puncte din
spaţiul stărilor. Pentru sistemele
disipative, proprietăţile acestor
atractori determină proprietăţile separatice

dinamice ale comportării pe termen

lung a sistemului. Mulţimea punctelor iniţiale din care pornesc traiectorii care “aterizează”
pe un anumit atractor formează “bazinul de atracţie” al acelui atractor.
Un sistem dinamic dx i / dt = f k ( xi ), i , k = 1, 2 este disipativ dacă divf k < 0 . In
adevăr, să urmărim evoluţia unei grup de puncte iniţiale care ocupă, în spaţiul stărilor,
suprafaţa delimitată de coordonatele (X1A,X2A) si (X1B,X2B). Vom calcula viteza de variaţie
a ariei :
A = ( X 1B − X 1 A )( X 2 B − X 2 A )
 dA
= ( X 1B − X 1 A )[ f 1 ( X 1 A , X 2 B ) − f 2 ( X 1 A , X 2 A ) ] + ( X 2 B − X 2 A )[ f 1 ( X 1B , X 2 A ) − f 1 ( X 1 A , X 2 A )]
dt
o o
x1 = f1 ( X 1 , X 2 ) ; x2 = f2 ( X1, X 2 )
Folosind din nou descompunerea în serie
Taylor:

∂f 1
f 1 ( X 1 B , X 2 A ) = f ( X 1 A , X 2 A ) + ( X 1B − X 1 A ) ,
X1 A X 2 A + ...
∂x1

şi similar f 2 . Obţinem atunci:

1 dA ∂f 1 ∂f 2
= + .
A dt ∂x1 ∂x 2

Dacă derivatele din membrul drept sunt negative, domeniul de puncte iniţiale se
contractă până la zero, pe măsură ce timpul evoluează, iar sistemul este disipativ. Toate
traiectoriile se “prăbuşesc ” într-un atractor a cărui dimensiune geometrică este mai mică
decât a spaţiului stărilor. În cazul spaţiului stărilor n-D, evoluţia unui “volum” n-
dimensional de puncte iniţiale este dictată de:
1 dV N
∂f
= ∑ 1 = divf
V dt i =1 ∂x1

Dacă în medie pe spaţiul stărilor divf < 0 , atunci volumul iniţial de puncte se va
contracta către o regiune geometrică a cărui dimensiune este NA ≤N.
Dacă modelăm un sistem fizic real, disipaţia apare datorită frecării, vâscozităţii, şi
aşa mai departe. Putem decide pe baze fizice, dacă disipaţia este prezentă sau nu în
ecuaţiile modelului. Este însa util să avem o unealtă matematică pe care s-o putem folosi
pentru a identifica un sistem disipativ pe baza ecuaţiilor dinamice.
Pentru a estima disipaţia, vom folosi o unealtă conceptuală importantă: un grup de
condiţii iniţiale. În 1D acest grup este un mic segment al axei x, de exemplu, cel cuprins
între X1 şi XB>XA, de lungime XB-XA.
Vrem să vedem ce se întâmplă cu
lungimea acestui segment de lungime, pe
măsură ce timpul evoluează şi punctele
xA xB
segmentului descriu traiectorii în spaţiul
stărilor.
 Viteza de variaţie a lungimii segmentului este data de:
d o 0
(X B − X A) = X B − X A = f (X B ) − f (X A)
dt
Astfel, dacă f(XB)<f(XA), lungimea segmentului se va micşora în timp. Dacă
lungimea segmentului este suficient de mică, putem folosi dezvoltarea în serie Taylor:
df
f (X B ) = f (X A) + (X B − X A) x= X A + ...
dx
cu notaţia L=XB-XA şi neglijând termenii de ordin ≥ 2, obţinem:
dL df
=L
dt dx
df
Aşadar, dacă < 0 , lungimea segmentului de condiţii iniţiale se va reduce.
dx
Această condiţie este satisfăcută dacă traiectoriile se apropie de un nod (deoarece un nod
df
< 0 , şi prin continuitate, inegalitatea este valabilă şi în vecinătatea nodului).
dx
O aglomerare de condiţii iniţiale se expandează, dacă părăseşte regiunea unui
respingător, ca mai apoi să se contracte pe măsură ce se apropie de un nod. În medie, pe
întreaga istorie a traiectoriei, grupul de puncte evoluante vor suferi o condiţie pentru un
sistem disipativ mărginit.

1.4 Cicluri limită. Aplicaţia Poincaré

În spaţiul stărilor cu dim ≥ 2 este posibilă o comportare oscilatorie, periodică
(ciclică). Traiectoriile în spaţiul stărilor sunt atunci curbe închise, cicluri. Dacă traiectoriile
din vecinătatea ciclului sunt atrase de el, atunci îl numim ciclu limită. Comportarea
oscilatorie este de importantă foarte mare în multe aplicaţii. Legat de ciclurile limită se pun
două probleme importante: (i). când apar ciclurile limită; (ii) cum putem aprecia
stabilitatea unui ciclu limită. Fără a intra în detalii, răspunsul la prima problemă este dat,
pentru sisteme 2D, de către teorema lui Poincarè-Bendixson.
Stabilitatea unui ciclu limită este mai dificil de evaluat decât a unui punct fix.
Poincaré a introdus o metodă, bazată pe aceea ce acum se numeşte “secţiune Poincaré”,
prin care problema se reduce, în cazul 2D, la aceea a stabilităţii unui punct fix.
 Pentru un spaţiu al stărilor 2D, secţiunea Poincaré
se construieşte astfel:
În spaţiul stărilor tragem un segment de linie care
taie ciclul limită într-un punct P. Pornim acum o
traiectorie într-un punct aproape de ciclul limită, Pe
măsură ce traiectoria evoluează, ea va intersecta
segmental într-un punct P1, apoi în P2 şi asa mai departe.
Dacă aceste puncte se apropie de P, pe măsură ce timpul
evoluează, oricare ar fi punctul de plecare din vecinătatea ciclului limită, spunem că avem
un ciclu limită atractor, sau echivalent, un ciclu limită stabil. Cu alte cuvinte, ciclul limită
este un atractor pentru sistem. Dacă din contra, secvenţa se depărtează de P, avem un ciclu
limită repulsor, adică un ciclu limită instabil. Altă posibilitate este ca secvenţa de puncte să
se apropie de P, dintr-o parte şi să se depărteze din cealaltă: ciclu şa.
Stabilitatea unui ciclu
limită se poate determina cu
ajutorul aplicaţiei Poincaré.
Ideea de bază este următoarea:
fiind dat un punct P1, unde
traiectoria intersectează segmentul
Poincaré, putem în principiu să
determinăm următorul punct de pe
intersecţie, P2 integrând ecuaţiile
diferenţiale care descriu sistemul.
Astfel, trebuie să existe o funcţie,
să-i spunem F, care îl leagă pe P1 de P2.
P2=F(P1)
Găsirea funcţiei F este echivalentă cu rezolvarea sistemului original de ecuaţii
diferenţiale, ceea ce poate fi sau chiar este imposibil. În general putem scrie:
Pn+1=F(Pn)
În general funcţia F depinde numai de ecuaţiile dinamice ale sistemului, dar şi de
modul de alegere al secţiunii Poincaré.
Să observăm că punctul P de pe ciclul limită satisface P=F(P), orice punct P ∗ care
satisface:
 P∗ = F (P∗ )
este numit punct fix al aplicaţiei F. Putem ştii ce se întâmplă cu un punct P1 din apropierea
lui P ∗ , mai exact cu distanţa dintre cele două puncte pe măsură ce sistemul evoluează:
dF
{
P2 − P ∗ = F ( P1 ) − F ( P ∗ ) = F ( P ∗ ) +
dP P∗
( P1 − P ∗ ) + ...} − F ( P ∗ )

Dacă notăm d i = P − P ∗ atunci obţinem că:

dF
d2 = P∗
* d1
dP
dF
Prin definiţie, M = P∗
se numeşte multiplicatorul caracteristic al aplicaţiei
dP
Poincaré. Vom găsi că în general:
d n +1 = M n d1

• Dacă M<1, atunci d2<d1, d3<d2 şi aşa mai departe, deci punctul de intersecţie se
apropie de punctul fix → ciclul atractor.
• Dacă M>1, avem un ciclu repulsor.
• Dacă M=1, dar derivata aplicaţiei este >1 de-o parte a ciclului şi <1 de cealaltă,
avem un ciclu şa (rar în 2D).
Mai putem defini şi un exponent caracteristic asociat ciclului:
M = eλ ⇒ λ = ln M
El joacă rolul exponenţialului Liapunov, unitatea de timp fiind intervalul dintre
două intersecţii succesive ale secţiunii Poincaré.

1.5 Sisteme dinamice de dimensiune 3 sau mai mare

Spaţiul stărilor unui sistem dinamic cu mai mult de două grade de libertate permite
existenţa unor atractori mai complexi din punct de vedere geometric. Spre exemplu, în
spaţiul stărilor 3D poate apărea o mişcare în care traiectoriile evoluează pe suprafaţa unui
tor.
Ecuaţiile mişcării sunt:
x1 = ( R + r sin ω r t ) * cos ω R t
x 2 = r cos ω r t
 x3 = ( R + r sin ω r t ) * sin ω R t
unde R –raza mare a torului;
r –raza mică a torului;
ω R -viteza unghiulară
2π
corespunzătoare relaţiei în jurul circumferinţei mari a torului, cu perioada TR = ;
ωR
ωr -viteza ungiulară corespunzătoare rotaţiei în jurul secţiunii transversale, cu
2π
perioada Tr = .
ωr
Un tor general are secţiunea transversală eliptică, iar axele de coordonată pot fi
transformate într-un tor circular.
Acest atractor corespunde unui regim cvasiperiodic al sistemului dinamic, care
apare de regulă atunci când sunt prezente două
oscilaţii de frecvenţe diferite, f1, f2.

Secţiunea Poincaré se obţine tăind torul cu

un plan ce trece prin axa de simetrie a torului.
Configuraţia punctelor de intersecţie a traiectoriilor
cu acest plan depinde de raportul f1/f2 . Dacă
raportul este un număr raţional, atunci secţiunea
Poincaré va fi formată dintr-un număr discret de puncte aşezate uniform pe periferia unui
cerc. Acest tip de mişcare se mai numeşte
“frequency-locked” sau “mode locking”. Dacă
raportul este un număr iraţional, atunci punctele
aplicaţiei Poincaré vor “umple” până la urmă
periferia cercului, dând senzaţia de curbă continuă în
planul Poincaré, iar mişcarea se numeşte
cvasiperiodică (sau încă “aproape periodică”) fiindcă
ea nu se repetă niciodată exact.
Cele trei tipuri de atractori,

puncte fixe (dimensiune 0);

cicluri limită (dimensiune 1);

atractori cvasiperiodici (dimensiune ≥ 2),
 corespund unui comportament asimptotic (adică pe termen lung) fie staţionar, fie periodic
sau cvasiperiodic. Din punct de vedere geometric, atractorii respectivi sunt obiecte cu
dimensiune întreagă. S-a constatat însă că atractorii unor sisteme dinamice pot fi obiecte
geometrice deosebit de complexe, ca de exemplu ceva între un punct şi o linie, sau între o
linie sau o suprafaţă, sau între o suprafaţă şi un volum, etc. Generalizând procedura de
stabilire a dimensiunii geometrice a unui obiect, s-a ajuns la concluzia că aceşti atractori au
dimensiuni fracţionare (“fractali”), primind denumirea de atractori stranii. Corespunzător,
variaţia în timp a variabilelor de stare nu mai este periodică, având un aspect aleator. O
traiectorie care evoluează pe un atractor straniu are schimbări de direcţie imprevizibile,
având un comportament aparent haotic (din acest motiv se foloseşte şi denumirea de
atractor haotic pentru un atractor straniu, deşi atributele nu sunt întotdeauna echivalente).
În mod informal, un sistem dinamic determinist, neliniar, prezintă un
comportament haotic dacă:
1 atractorul ocupă un domeniu finit în spaţiul stărilor;
2 este straniu;
3 există cel puţin o traiectorie densă (adică ale cărei puncte trec arbitrar de aproape
de orice punct al atractorului );
4 există o dependenţă sensibilă a traiectoriilor de condiţiile iniţiale (prin
dependenţă sensibilă de condiţiile iniţiale se înţelege faptul că distanţa dintre
două traiectorii, în spaţiul stărilor, creşte exponenţial în timp).
Regimul haotic poate apare în sistemele dinamice neliniare în timp continuu numai
dacă dimensiunea spaţiului stărilor este cel puţin 3. În schimb, aplicaţiile iterate neliniare
pot avea regimuri haotice chiar dacă dimensiunea lor este 1. Regimul haotic nu apare în
orice sistem dinamic neliniar. Chiar şi în sistemele în care apare, el nu este singurul tip de
comportament posibil, ci apare atunci când se modifică un anumit parametru al sistemului.
Tranziţia de la un regim regulat, periodic, la un regim neregulat, neperiodic, într-un sistem
dinamic determinist, este studiată de teoria bifurcaţiilor. Rutele spre haos cunoscute pot fi
clasificate în două mari grupe.
În prima categorie (bifurcaţii locale), pentru un anumit interval de valori al
parametrului, apare un ciclu limită. Pe măsură ce un anumit parametru de control al
sistemului este modificat, ciclul limită dispare şi apare comportarea haotică.
În a doua categorie (bifurcaţii globale), comportarea pe termen lung a sistemului
este influenţată de punctele fixe instabile sau cicluri instabile, ca şi de un atractor (sau
atractorii).
  -dublări de perioadă


 -via bifurcaţii locale  -cvasiperiodicitate
-guasiperiodicitate  -tip 1 (bifurcaţie
   tangentă)
  
  -intermitenţă  -tip 2 (bifurcaţie Hopf)
 
 
Tanziţii   -tip 3 (dublă

către  periodicitate)
haos 

  -tranziente haotice
 
 
-via bifurcaţii globale 


 -crize

Cele două categorii de tranziţii nu sunt aşa de distincte cum apar la prima vedere.
Bifurcaţiile globale sunt influenţate de poziţiile şi proprietăţile punctelor fixe locale.
 Capitolul 2
Cuantificatori ai dinamicii neliniare complexe

2.1 Introducere
Pentru analiza comportamentului unui sistem dinamic liniar există instrumente
matematice generale, deosebit de eficiente, cum ar fi de exemplu analiza Laplace sau
Fourier. Aceste metode, fiind bazate pe principiul superpoziţiei, nu mai pot fi aplicate
sistemelor neliniare deoarece aceste nu satisfac acest principiu. Metodele folosite în
dinamica neliniară se bazează pe topologia spaţiului stărilor şi pe folosirea extensivă a
metodelor numerice. Pe de altă parte trebuie definite mărimi care să caracterizeze în mod
relevant comportamentele complexe care pot apare în sistemele dinamice neliniare, cel
puţin din următoarele motive:
1. Pentru a putea distinge comportarea aparent aleatorie a mărimilor de stare în
regim haotic de un proces aleator real;
2. Pentru a identifica unele caracteristici universale, valabile pentru o anumită
clasă de sisteme;
3. Pentru a putea găsi unele corelări între valoarea unei anumite mărimi şi
modificările în comportarea fizică a sistemului.
Pentru cuantificarea regimurilor complexe (haosului) dintr-un sistem dinamic ne vom
referi la cele două moduri complementare de descriere a unui sistem dinamic:
1. Prima descriere se referă la dinamica (dependenţă de timp) unei traiectorii
generice, când aceasta evoluează pe un atractor, în relaţie cu traiectoriile vecine
ei.
2. A doua descriere se referă la proprietăţile geometrice ale atractorului.
De precizat că ne vom limita la sisteme disipative, adică la sisteme la care regimul
tranzitoriu se stinge. Ne interesează comportarea pe termen lung, asimptotică (t→∞),
respectiv în regim permanent, care este restrânsă la regiunea atractorului din spaţiul
stărilor. Ne vom ocupa numai de traiectorii care sunt pe atractori. Regimurile tranzitorii,
adică traiectoriile care pornesc departe de atractor, dar evoluează către el, pot da informaţii
utile privind dinamica sistemului, dar sunt adesea dificil de tratat, atât experimental, dar si
in simulări. Vom introduce următorii cuantificatori ai dinamicii neliniare:
 1. Exponentul Liapunov, care va măsura evoluţia unei traiectorii generice pe atractor;
2. Dimensiunea corelaţie, care caracterizează dimensiunea geometrică a atractorului.
Există şi alte mărimi care cuantifică dinamica neliniară complexă, dar cele menţionate mai
sus sunt cele mai uzuale şi mai importante.

2.2 Exponentul Liapunov

Comportarea haotică este caracterizată prin divergenţa traiectoriilor vecine în
spaţiul stărilor. “Separarea” dintre doua traiectorii vecine creşte exponenţial în timp, cel
puţin pentru intervale scurte de timp. Ultima restricţie este necesară deoarece ne ocupăm
de sisteme a căror traiectorie rămâne într-o anumită regiune mărginită a spaţiului stărilor,
sistemul nu “explodează”.
Divergenţa traiectoriilor vecine este descrisă prin exponentul Liapunov: dacă două
traiectorii vecine de pe atractorul haotic pornesc (la t=0) separate între ele cu “d0”, atunci
traiectoriile diverg astfel că la momentul t sunt separate prin:
λ- exponentul Liapunov al traiectoriilor. Dacă λ>0, atunci traiectoriile chiar diverg
exponenţial şi comportarea este haotică.
Noţiunea de “dependenţă sensibilă”, de condiţie “iniţială” si “divergenţa
traiectoriilor vecine” au sens şi sunt utile numai pentru acele sisteme care au o comportare
mărginită.
În acest paragraf ne vom ocupa de exponentul Liapunov pentru un sistem descris de
un set de ecuaţii diferenţiale ordinale.
Aşa cum am văzut în capitolul 1, exponentul Liapunov este o măsură a vitezei de
atracţie sau repulsie din partea unui punct fix din spaţiul stărilor. Putem utiliza acest
concept pentru a caracteriza divergenţa traiectoriilor vecine în general, în oricare puncte
din spaţiul stărilor.
Ne referim mai întâi la un spaţiu al stărilor 1D. Fie x0 un punct iniţial şi x un punct
iniţial vecin; fie x0(t) si x(t) traiectoriile care se dezvoltă din aceste puncte iniţiale. Vom
arăta că “distanţa” dintre traiectorii creşte sau scade exponenţial cu timpul.
Ecuaţia dinamică a sistemului este:
o
x = f (x)
Cum x este aproape de x0, dezvoltăm f(x) în serie Taylor:
df
f ( x ) = f ( x0 ) + ( x − x0 ) x0 + ...
dx
 Dacă ţinem cont că de viteza de variaţie a “distanţei” r este:
o o o
s = x − x 0 = f ( x) − f ( x 0 )
obţinem
o
 df 
s = s 
 dx  x0
sau
s(t ) = s (0) * e λt

 df 
unde λ = 
 dx  x0

 df 
Dacă λ > 0 , traiectoriile diverg ; dacă λ < 0 , ele converg. În general   variază
 dx 
cu x, deci λ se modifică în lungul traiectoriei, deoarece se modifică “punctul iniţial” în
care-l evoluăm, va căuta deci o valoare medie a lui λ pe toată istoria traiectoriei.
În spaţiul stărilor cu două sau mai multe dimensiuni, putem asocial un exponent
Liapunov vitezei de expansiune sau contracţiei cu traiectoria, după fiecare coordonată
(direcţie) respective, spaţiul stărilor. În particular, pentru un spaţiu al stărilor 3D avem:
∂f1 ∂f 2 ∂f 3
λ1 = ; λ2 = , λ3 =
∂x1 ∂x2 ∂x3

derivatele parţiale fiind evaluate în puncte din spaţiul stărilor considerat.

Definiţie: Vom spune că un sistem dinamic este haotic, dacă cel puţin un exponent
Liapunov mediu, este pozitiv.
Pentru a putea da o interpretare geometrică exponentului Liapunov, să considerăm
în spaţiul stărilor un paralelipiped de laturi S1, S2, S3, dirijate după axele de coordonate,
“centrat” pe punctul considerat. Volumul paralelipipedului va evolua în timp după legea:
v( t ) = S1 S 2 S 3 * e ( λ1 + λ 2 + λ 3 )t .

Dacă ţinem cont cum am definit exponenţii Liapunov, vedem că.

λ 1 + λ 2 + λ 2 = divf ( x ) Din nou, în particular suntem interesaţi de valorile medii pe istoria

unei traiectorii, ale acestor exponenţi. Pentru un sistem disipativ valoarea medie a sumei
exponenţilor Liapunov trebuie să fie negativa. Pentru sistemele disipative, cel puţin unul
din exponenţii Liapunov medii, va rămâne şi trebuie să fie negativ.
 Dacă sistemule este haotic, cel mult unul din exponenţii Liapunov este pozitiv. În
spaţiul stărilor cu D=3, putem avea mai mult de un exponent Liapunov mediu pozitiv. În
aceste cazuri vorbim de hiperhaos.

Semnele lui λ Tipul atractorului

(-, -, -) Punct fix
(0, -, -) Ciclu limita
(0, 0, -) Tor
(+, 0 ,-) Straniu( haotic)

Tabel: Spectrele exponenţilor Liapunov şi atractorii asociaţi

în spaţiul stărilor 3D

Să considerăm un sistem disipativ, care porneşte dintr-un punct iniţial, lăsând

traiectoria să evolueze până ajunge în regiunea de atracţie din spaţiul stărilor. Apoi luăm un
punct al traiectoriei şi construim aceste sfere. În general, sfera va suferi o întindere după o
direcţie şi o contracţie după alta; devine un elipsoid. Pentru sistemele disipative volumul
tinde la 0.
Dacă evoluăm vitezele exponenţiale de întindere comprimate pentru diferite axe ale
elipsoidului, putem să găsim exponentul Liapunov pentru acea regiune a atractorului.
Repetând procedura în lungul traiectoriei, putem determina setul de exponenţi Liapunov
medii ai sistemului. Acest set este denumit spectru exponenţial Liapunov. Dacă cel puţin
unul din exponenţii Liapunov medii este >0, atunci sistemul prezintă, în medie, divergenţa
traiectoriilor vecine şi este realmente haotic.
În practică, calculul acestor exponenţi Liapunov medii este complicat, deoarece
elipsoidul se “roteşte” şi se deformează pe măsură ce traiectoria evoluează. Dacă ecuaţiile
de evoluţie în timp sunt cunoscute, se cunosc diferiţi algoritmi numerici de calcul.
Divergenţa traiectoriilor vecine produce întinderea şi plierea unui grup de condiţii
iniţiale, adică, până la urmă, comportare haotică.

2.3 Dimensiunea corelaţie

Ne vom concentra atenţia asupra aspectelor geometrice legate de atractori, în
special de atractorii stranii (fractali), care apar în comportamentul haotic al unui sistem
 dinamic. Există mai multe definiţii ale dimensiunii unui obiect fractal, numită generic
dimensiune fractală. Ele dau valori diferite pentru dimensiunea aceluiaşi obiect, deşi in
unele cazuri valorile sunt apropiate. În studiul atractorilor care apar în sistemele dinamice,
se foloseşte o dimensiune uşor de calculat, numită dimensiunea corelaţie, care foloseşte
direct punctele unei traiectorii.
Procedura este următoarea:
• lăsăm o traiectorie să evolueze pe un atractor un interval de timp suficient de lung
si colecţionăm ca date valorile a N puncte traiectoriei;
• pentru fiecare punct i al traiectoriei calculăm numărul de puncte Ni(R) a căror
distanţă faţă de punctual i este ≤R (punctul i este evident exclus), R fiind o
constantă aleasă convenabil; calculăm apoi valoarea relativă a acestui număr,
p1=Ni(R)/(N-i)
• Calculăm acum suma de corelaţie
N
C(R)=1/N*( ∑ pi(R))
i =1

Obs. 1. Dacă toate cele N puncte ale traiectoriei sunt la o distanţă ≤R atunci

C(R)=1/N*( ∑ N-1/N-1)=1/N*N=1

Obs. 2. Dacă numai două puncte sunt la distanţa ≤R, atunci C(R) are valoarea
minimă nenulă, 2/[N(N-1)]; dacă mai multe puncte au aceeaşi distanţă datorită, de
exemplu, rotunjirilor, atunci C(R)min=2N*/[N(N-1)], N* fiind numărul de puncte care se
suprapun.

Obs. 3. Există un avantaj de calcul numeric prin excluderea din Pi, a punctului
propriu ei.
• Pi poate fi scris in mod formal cu ajutorul funcţiei treaptă a lui Heaviside γ:
N
Pi(R)=1/N-1* ∑ γ(R-│xj-xi│) iar
j =1
j ≠i

N N
C(R)=1/N(N-1)* ∑ ∑
i =1 j =1
γ(R-│xj-xi│)
j ≠i
 • pentru a acoperi tot atractorul, impunem N→∞;
• dimensiunea corelaţiei este definită ca fiind numărul ∆c care satisface relaţia:
C(R)=lim KR∆c
sau, după logaritmare,
∆c= lim *logC(R)/logR
R →0

O denumire mai potrivită pentru ∆c ar fi aceea de indice de scalare al corelaţiei,

pentru că el ne arată cum scalează C(R) cu R. O dificultate evidentă a formulei de mai sus
este că practic nu putem face R→0, şirul datelor de care dispunem are un număr finit de
puncte traiectorie si deci există o distanţă minimă intre puncte, dacă R<dmin, C(R)=0 şi nu
mai scalează cu R. In practică se calculează C(R) pentru un interval de valori ale lui R şi se
reprezintă grafic log C(R) in funcţie de log R.
Vedem deci că numai într-o regiune intermediară pentru R, C(R) satisface legea de
scalare de mai sus. În această regiune de scalare panta dreptei de interpolare (panta
determinată cu metodă celor mai mici pătrate) ne va da pe C(R).
Din păcate, pentru multe iteraţii experimentale, determinarea regiunii de scalare
este destul de selectiva, deoarece dependenţa log C(R) – log R nu este o dreaptă pe un
domeniu suficient de larg al lui R. Pentru date lipsite (neafectate) de zgomot, regimul de
scalare poate fi extins către valori mici ale lui R folosind un număr mai mare de puncte
traiectorie. Practic, se poate lucra cu un număr N de puncte traiectorie mare (~103), dar să
calculăm Pi(R) numai pentru o serie eşantion, să zicem, 50 de puncte din cele N. Dacă
punctele i sunt alese “la întâmplare ” din cele N, atunci suma de corelaţie pare a fi aproape
egală cu cea pentru eşantionare. Această metodă de calcul ne duce la dimensiunea
punctuală.
Factorii care afectează negativ calculul dimensiunii corelaţie sunt:
• numărul finit de puncte traiectorie disponibile practic;
• efectul zgomotului, ne referim atât la zgomotul “real” din datele experimentale, cât
şi la cel introdus prin rotunjire din calcule numerice;
• reprezentarea in calculator a numerelor printr-un număr finit de cifre;
 Capitolul 3
Reconstrucţia dinamicii pe baza unei serii temporale
generate de o singură variabilă de stare

În acest capitol ne vom concentra pe utilizarea unui serii de valori generate de o

variabilă de stare x(t), numită şi serie temporală, pentru a cuantifica comportarea
sistemului dinamic.
Vom presupune că avem înregistrate o secvenţă de valori x(t0), x(t1),
x(t2)…t0<t1<t2…ale acestei variabile. Aceasta poate fi o serie de valori eşantionate în timp
ale variabilei, sau poate fi o serie de valori într-o secţiune Poincarè ale variabilei.
Nu este deloc evident că un astfel de şir de valori eşantionate ale unui singure
variabile ar fi suficient pentru a capta caracteristicile sistemului dinamic care a generat
şirul de valori. Cu toate acestea, acest lucru este posibil, aşa cum demonstrează o teoremă
enunţată de Takens şi Mane, numită teorema scufundării. Vom descrie metoda în cele ce
urmează.
Fie x(t0+n∆t)≡x(n), n=0, 1, … una din mărimile de stare ale sistemului, sau o
mărime exprimabilă în funcţie de mărimile de stare ale sistemului, eşantionată la intervale
de timp ∆t. Cu ajutorul acestor valori se construiesc vectorii
 x( n ) 
 
 x( n + τ 
Y( n ) =   , n = 0 ,1, ...
 ... 
 
 x( n + (De − 1)τ )

unde τ este numit timp de întârziere, iar De este un număr întreg, numit dimensiunea
spaţiului de scufundare. Conform teoremei lui Takens şi Mane, dacă De≥DA, unde DA este
dimensiunea atractorului care a generat seria temporală, atunci traiectoria generată de
vectorii Y(n), n=0, 1, 2, …se aşează pe un atractor care are aceleaşi proprietăţi topologice
ca şi atractorul original. Acest atractor apare corect reprezentat numai dacă timpul de
întârziere are o valoare potrivită, nici prea mare, nici prea mică.
 Vom exemplifica această metodă prin referire la un sistem dinamic cunoscut drept
modelul Lorentz de evoluţie a unei celule atmosferice, în care deplasarea aerului are loc
prin convecţie termică. Ecuaţiile modelului sunt:
•
x = −σx + σy ,
•
y = rx − y − xz ,
•
z = −bz + xy .

unde σ, r şi b sunt constante determinate de fizica procedeului. Pentru σ=10, r=28 şi b=8/3,
modelul are comportare haotică, atractorul având o geometrie particulară.
Ecuaţiile modelului au fost rezolvate prin simulare numerică în Simulink (Fig. 1).

Figura 1

În figura 2 este reprezentată variaţia în timp a variabilei y(t). Se poate observa

neperiodicitatea acestei variaţii şi asemănarea ei cu o variabilă aleatoare. Atractorul este un
obiect geometric cu o structură complexă, care are nevoie de un spaţiu al stărilor 3-D
pentru a putea exista, dimensiunea lui proprie fiind fractală. În figura 3 sunt prezentate
proiecţiile acestui atractor pe planele x-y, y-z, respectiv x-z.
 Fig. 2

Fig. 3
 Reconstrucţia atractorului Lorentz, în baza teoremei lui Takens şi Mane, se poate
face pornind de la una din variabilele de stare, spre exemplu y(t), construind şirurile de
valori y(t+τ) şi y(t+2τ) şi reprezentând valorile succesive din cele trei şiruri în spaţiul de
reconstrucţie y(t), y(t+τ) şi y(t+2τ). În acest exemplu ne vom limita la a reconstrui
proiecţia atractorului pe planul y(t)-y(t+τ). În figurile 4 – 6 sunt prezentate rezultatele
pentru trei valori ale timpului de întârziere; în stânga este reprezentat de fiecare dată
atractorul original, pentru comparaţie.

Fig. 4: τ=0,01

Fig. 5: τ=0,05
 Fig. 6: τ=0,5

Se observă că pentru timpi de întârziere mici, punctele atractorului reconstruit sunt

prea înghesuite unele în altele, atractorul neavând spaţiu să se desfăşoare. Pe de altă parte,
dacă timpii de întârziere sunt prea mari, punctele succesive pierd contactul informatic
dintre ele, devenind din ce în ce mai slab intercorelate.
Dacă există un număr suficient de mare de valori ale seriei temporale folosită
pentru reconstrucţie, sau, altfel spus, dacă eşantionarea are loc la intervale de timp suficient
de mici, atunci putem “reconstrui’ caracteristicile esenţiale ale dinamicii din spaţiul
stărilor, în ipoteza că am ales un timp de întârziere corespunzător.
Valorile eşantionate ale unei singure variabile nu ne va spune ce fac celelalte
variabile (decât dacă avem o teorie completă a sistemului). Dacă ne limităm obiectivele
doar a determina dacă comportarea este haotică sau nu, respectiv cât de haotică, atunci se
dovedeşte că secvenţa discretă a doar unei variabile este suficientă.
Ar fi tentant sa ne bazăm analiza sistemului pe traiectorii continue în timp, x(t),
vectorul reprezentând un set complet de variabile dinamice ale sistemului (un set complet
este numărul minim de variabile necesare pentru a specifica uneia, starea sistemului).
Experimentele reale însă implică eşantionări la momente discrete de timp ale variabilelor
măsurate, calculele numerice, absolut necesare pentru studiul majorităţii sistemului
neliniar, de asemenea lucrează cu paşi finiţi de timp. Din aceste motive trebuie să pornim
de la aceste secvenţe discrete in timp. Alegerea pasului ∆t adecvat, este delicat. Dacă avem
la dispoziţie un şir infinit de valori neafectate de zgomote, atunci aproape orice ∆t este bun
în şirul real, când dispunem doar de un şir finit de valori, şi acestea contaminate de
zgomot.
 Vom discuta unele detalii practice privind implementarea calculelor de scufundare
din secţiunea precedenta. Vom încerca să justificăm unele reguli “de mână” privind
alegerea numărului de puncte traiectorie, întârzierea temporală intre componentele
vectorilor, dimensiunea spaţiului de scufundare si saltul temporal intre vectorii succesivi.
Viteza de calcul a calculatorului şi capacitatea memoriei ne impun să facem un compromis
intre timpul de calcul necesar şi precizia rezultatelor. Dorim să nu efectuăm mai multe
calcule decât sunt necesare pentru a obţine un nivel de precizie specificat.
Vom presupune, că şi până acum, că lucrăm cu înregistrarea temporala a valorilor
unei singure variabile dinamice a sistemului. Să presupunem că intervalul de timp ∆t intre
două eşantioane succesive, este un parametru pe care-l putem controla. Dacă folosim o
tehnică de eşantionare bazată pe secţiunea Poincarè, atunci∆t este determinat de dinamica
sistemului. În acest caz trebuie să folosim mai multe secţiuni Poincarè pentru sisteme,
pentru a vedea dacă rezultatele noastre depind de “localizarea” secţiunii in spaţiul stărilor.
O scară temporală fundamentală pentru comportarea sistemului este intervalul de
timp numit timp de autocorelare, definit cu ajutorul funcţiei autocorelaţie
g(n)= ∑ xk*xk+n/ ∑ │xk│2
k k

g(n) compară o valoare din seria temporală cu o valoare localizată n unităţi de timp mai
departe. Dacă in medie, aceste valori sunt corelate atunci, g(n)=0. Dacă sunt aproape
aceleaşi, atunci g(n)=1. Pentru date provenite de la sisteme haotice, ne aşteptăm ca funcţia
autocorelaţie să scadă exponenţial in timp: g(n)=ae-nτc, τc fiind timpul de autocorelaţie.
Acest timp va determina scara in care vom alege mai mulţi parametrii ai schemei de
scufundare.
Un alt interval de timp pe care îl controlăm, este intervalul intre “componentele”
succesive ale fiecăruia din vectorii spaţiului de scufundare. Nu este necesar să luam
eşantioane succesive, să zicem (x4,x5,x6,…). Putem alege, de exemplu, (x4,x9,x14,…),
componentele succesive fiind acum separate prin cinci intervale de eşantionare. Vom numi
intervalul de timp tL, intre componentele succesive ale unui vector din spaţiu de
scufundare, de fază j (decalaj) temporal. Aceasta este un multiplu al timpului de
eşantionare: tL=L∆t, cu L=1,2,….
Experienţa a arătat că ceea ce pare a fi crucial este intervalul total de timp (“terestra
temporala”) acoperit de vector, (d-1)tL. Dacă el este prea scurt sau prea lung, atunci
regiunea de scalare pentru suma de corelaţie pare să devină foarte restrânsa. S-a sugerat că
alegând acest interval de timp de cca. (2÷3)τ se obţine regiunea de scalare cea mai extinsă.
 De asemenea, putem alege intervalul de timp tj dintre vectorii succesivi, numit
timp de salt. Dorim un tj mic pentru a putea reprezenta majoritatea detaliilor geometrice ale
atractorului. Adesea alegem tj astfel încât vectorii folosiţi să fie uniform reprezentaţi in
timp, pe setul de date.
Un al patrulea interval temporal pe care-l putem alege este un timp minim de
separaţie dintre vectorii de comparat in suma de corelaţie. Adică, vom compara xi si xj
numai dacă componentele corespunzătoare sunt separate in timp printr-un interval de cel
puţin tc, pe care îl vom numi timp de comparare. Acest criteriu va evita o corelare excesivă
datorată numai faptului că eşantioanele apar aproape in timp. Această problemă nu apare
dacă folosim date obţinute prin secţiunea Poincarè. Apar probleme dacă tc este prea mic
pentru seturi de date “autocorelate”, adică eşantioane care nu se modifică semnificativ pe
un interval larg de timp. Putem evita aceste probleme dacă alegem tc>τ.
In final, numărul total de puncte date, N, este bine să fie mare, dar timpul de calcul
creste rapid cu N si trebuie să facem un compromis.
Pentru alegerea lui ts, tL, tJ si N avem nevoie cel puţin de unele estimări grosiere ale
caracteristicii atractorului. In majoritatea cazurilor, acestea pot fi estimate din seria
temporala înregistrată.
1. Trebuie să cunoaştem intervalul de timp necesar unei traiectorii să înconjoare
atractorul. Acesta este, grosso-modo, echivalent cu intervalul de timp intre
intersecţii succesive ale secţiunii Poincarè, dacă ar fi utilizat o eşantionare prin
secţiunea Poincarè. Notăm acest interval de timp cu tp (timpul Poincarè). Dacă
datele înregistrate sunt chiar eşantioane prin secţiunea Poincarè, atunci ts=tp.
2. Avem nevoie de o estimare a mărimii atractorului. Din înregistrarea variabilei
x, avem intervalul de valori ale lui x “vizitate” de date. Să notăm mărimea
acestui interval cu A. Atunci, într-o scufundare De-dimensională, “volumul”
ocupat de atractor va fi aproximativ ADe, pentru De<∆c, ∆c fiind dimensiunea
corelaţie a atractorului. Pentru De>∆c, volumul real al atractorului va fi
determinat de ∆c.
3. În sfârşit, avem nevoie de o estimare a timpului de autocorelaţie şi a vitezei de
divergenţa a punctului traiectoriei vecine. Această viteză se poate estima
calculând exponentul Liapunov pentru setul de date 1D.
În plus mai trebuie să luăm in consideraţie şi precizia cu care au fost înregistrate
datele. În mod obişnuit specificăm această precizie prin numărul de biţi folosiţi pentru
reprezentarea datelor. Dacă datele sunt prelevate experimental, acest număr este de regulă
 determinat de convertorul A/D (controlat prin computer). Dacă datele sunt generate prin
rezolvare numerică de către computer a unor ecuaţii, atunci numărul de biţi este determinat
de softul utilizat. Înregistrarea experimentala a datelor se face cu o rezoluţie de minim 8
biţi. În măsurători de precizie mai mare se face CA/D pe 14 sau 16 biţi. În simulare
numerică pe PC “simpla precizie” înseamnă şapte cifre zecimale, iar “dubla-precizie”, 15
sau 16 cifre.
Preocuparea fundamentală când se aplică tehnica scufundării este de a folosi
suficiente date pentru a caracteriza in mod rezonabil atractorul, alegând corect timpul de
întârziere şi cel de salt pentru a evita corelaţii false.
Mai concret, vrem să avem suficiente date astfel încât în vecinătatea fiecărui vector
dintr-un spaţiu de scufundare De-dimensional să fie un număr suficient de vectori pentru a
obţine o estimare precisă a sumei de corelaţie. Vrem totuşi, ca aceşti vectori să consiste din
puncte date separate rezonabil in timp astfel încât compararea să se refere la punctele
traiectoriei care are trecut printr-o regiune particulară din spaţiul stărilor la momente de
timp destul de distincte.
Să începem analiza cu timpul de eşantionare. In general, dorim ca timpul dintre
eşantioane succesive să fie mult mai mic decât tp, timpul necesar “înconjurării”
atractorului. Vom culege astfel eşantioane din aproape toată regiunea atractorului. Desigur,
acest lucru este discutabil dacă folosim o schemă de eşantionare prin secţiunea Poincarè.
Totuşi, în multe cazuri timpul de eşantionare a fost deja fixat printr-un criteriu
experimental şi trebuie să acceptăm datele pe care le avem.
Referitor la timpul de decalaj tL între componentele succesive ale unui vector,ni-l
dorim suficient de mare astfel încât componentele succesive să fie “independente”. Timpul
necesar pentru independenţa este dat, grosso-modo, de reciprocul exponentului Liapunov
pozitiv pe setul de date, adică de 1/λ. Ca o regulă grosieră de mână, alegem tL astfel încât
intervalul total de timp pe care se “întinde” un vector De-dimensional dat, adică (De-1) tL,
să fie mai mare decât, să zicem de trei ori, timpul de autocorelaţie τ, adică
(De-1)tL>3/λ.
 Dacă alegem (De-1)tL<1/λ (sare decât timpul de autocorelaţie) atunci vectorii de
scufundare vor tinde să se aglomereze in jurul unei “linii de 45˚”, trecând prin originea
spaţiului de scufundare, fiindcă toate componentele vor tinde să aibă aproape aceleaşi
valori numerice.
Xi+2
În acest caz vectorii nu vor da
o bună reprezentare a
geometriei atractorului in
spaţiul stărilor original. Dacă
am avea la dispoziţie, ipotetic
vorbind, o mare cantitate de
date pentru o precizie extrem Xi+1
de ridicată, am putea încât
extrage dimensiunea relativă şi
din aceşti vectori. În realitate
însă, zgomotul experimental X1

sau erorile de rotunjire din calcule, pot masca detaliile finale.

Timpul de “salt” tj dintre vectorii de scufundare succesivi este de dorit să fie
suficient de mic astfel încât să putem vedea traiectoria pe măsură ce ea evoluează pe
atractor. Un tj prea mic duce însă la un număr de puncte-date necesar prea mare. Mai mult,
dacă vectorii sunt mai apropiaţi in timp decât, grosso-modo, timpul de autocorelaţie, atunci
nu aflăm nimic nou comparând vectorii fiindcă ei sunt aproape identici. De aceea, in
general, alegem tJ mai mare de câteva ori decât timpul de autocorelaţie.
Numărul total de puncte-date necesar trebuie să asigure un număr suficent de
vectori in vecinătatea fiecărui vector, pentru a obţine o caracteristică rezonabilă a
atractorului. Pentru o scufundare De-dimensională, volumul atractorului este aproximativ
ADe, A fiind o estimare a “razei” atractorului. Dacă folosim un număr total de M vectori,
atunci vom avea m=M/ADe vectori (sau puncte traiectorie) pe unitatea de volum din spaţiul
de scufundare.
În sfera de rază R, folosită de calculatorul sumei de corelaţie, centrată pe un punct-
traiectorie dat, ne aşteptăm să avem, in medie, mRDe=(R/A)dM puncte-traiectorie. Dacă am
colectat datele cu o rezoluţie de b biţi, atunci cel mai mic Rmin=A/2b. În practică vom folosi
un Rmin ceva mai mare, să zicem A/2b-2, pentru a evita efectele datorate rotunjirilor
numerice. Să presupunem acum, că pentru a obţine în interiorul vecinătăţii de rază Rmin.
atunci N=(Rmin/A)d*M=(1/2b-2)d*M
 De exemplu, dacă alegem N=2 (doar două puncte într-o vecinătate) o rezoluţie pe
b=8 biţi şi un spaţiu de scufundare De=3 dimensional, rezulta M=16.384 de vectori
necesari. Deci, chiar şi pentru acest caz modest, avem nevoie de un număr mare de puncte-
date. Ce este mai rău, numărul necesar de puncte-date creşte exponenţial cu dimensiunea
de scufundare.
O altă filozofie în alegerea numărului de puncte-date este de al face pe M atât de
mare astfel încât să fie cam tot atâtea puncte-traiectorie intr-un plan “tranversal” la o
traiectorie dată. Astfel vom fi siguri că vor exista suficiente puncte traiectorie in
vecinătatea unui punct traiectorie dat, si deci vom putea calcula proprietăţile geometrice
ale atractorului, rezonabil de bine.
În general, am dorit să avem cât de multe puncte posibile pentru a calcula
dimensiunea entropii si aşa mai departe. În practică, numărul de puncte-date este limitat fie
de capacitatea de înregistrare a echipamentului (unele osciloscoape digitale pot înregistra
numai 1000 sau 2000 de eşantioane succesive) sau de timpul de calcul necesar, calcului
mărimilor de interes. În multe cazuri dorim să vedem cum, de exemplu, dimensiunea
corelaţiei se modifică datorită modificării unui parametru de control sau intr-o instalaţie
medicală dorim să folosim o caracteristică a unei înregistrări EKG pentru a monitoriza, in
timp mai multe sau mai puţin real, starea unui pacient. Este necesar deci un compromis
intre precizie (care necesită numărul de puncte-date pe care le putem folosi). Practic,
câteva mii de puncte-date par a fi suficiente pentru o estimare rezonabilă a dimensiunii
corelaţiei pentru sistemele cu o dinamică, având un număr mic de dimensiuni.
Dacă sistemul este condus de o forţa externă periodică, perioada T acestuia impune
un interval natural pentru eşantionarea dinamicii sistemului. În acest caz, eşantionarea unei
variabile a sistemului o efectuăm la o fază particulara a forţei exterioare, obţinând o
eşantionare prin secţiunea Poincarè. În acest caz ts=tp=T. Este rezonabil să alegem şi
tl=tJ=ts, deoarece eşantioanele de variabilă sunt deja rezonabil separate in timp. În
concluzie, trebuie doar să ne asigurăm că avem un număr suficient de puncte-date. Totuşi,
analiza trebuie repetată pentru diferite valori ale fazei pentru a vedea dacă rezultatele
depind de faza. Diferitele faze aşează secţiune Poincarè in diferite părţi ale atractorului şi
nu există un motiv general ca să credem că dimensiunea corelaţiei, de exemplu, trebuie să
fie exact aceiaşi peste tot pe atractor.
 În concluzie, paşii de parcurs sunt următorii:
1. Pornind de la seria temporală a unei singure variabile, se stimează mărimea A, a
atractorului, cel mai mare exponent Liapunov λ, timpul de autocorelaţie τ, timpul
Poincarè tp (timpul necesar pentru a înconjura atractorul).
2. Se alege apoi timpul de eşantionare ts<<tp. Dacă eşantionarea se face cu vectorul
Poincarè, atunci ts=tp.
3. Se alege tL (timpul de întârziere între componentele succesive ale unui vector din
spaţiul de scufundare) astfel încât întreaga întindere temporala a unui vector, (De-1)tL,
să îndeplinească condiţia: (De-1)tL>3x-1.
4. Se alege timpul de salt tJ (timpul dintre vectorii succesivi) astfel încât vectorii să
acopere atractorul in mod uniform, cu intervale temporale suficient de mari pentru a
putea culege detalii ale atractorului. Pentru datele obţinute prin secţiunea Poincarè,
alegem tJ=tp.
5. Alegem un număr total de puncte-date pentru a satisface ecuaţia N=(Rmin/A)d*M=(1/2b-
2 d
) *M.
6. Rezultatele obţinute trebuie verificate privind dependenţa lor de ts,tJ,tL şi un număr total
de puncte-date. Pentru datele obţinute prin secţiunea Poincarè, se repetă calculele
pentru alte poziţii ale secţiunii Poincarè în spaţiul stărilor. Această verificare va furniza
estimări privind incertitudinile asociate rezultatelor.
 Capitolul 4
Reconstrucţia dinamicii pe baza unei serii temporale
obţinută experimental

4.1 Introducere
O problemă de importanţă practică constă în a reconstrui dinamica, adică atractorul
unui sistem dinamic, atunci când avem la dispoziţie un şir finit de valori, determinate
experimental, pentru o mărime care nu este neapărat o variabilă de stare. În principiu,
metoda prezentată în capitolul precedent este aplicabilă, dar apar complicaţii suplimentare
datorită numărului finit de valori eşantionate, care de regulă este mic. În plus, valorile sunt
afectate de erori inerente de măsură (“zgomot”).Algoritmii numerici trebuie să compenseze
aceste cauze. În cele ce urmează se vor prezenta unii din algoritmi folosiţi în acest scop.
Se presupune că valorile eşantionate sunt uniform distribuite în timp. Astfel, la
fiecare interval ∆t apare un nou vector, iar ∆t e constant. Un asemenea set de date va fi
referit ca o serie de M vectori X 0, X 1,…, X M-1, unde fiecare vector e N-dimensional:
X i=(Xi0, Xi1,…, Xin-1). Dacă datele sunt dintr-un singur canal de măsură, vectorii devin
cantităţi scalare: X i=Xi0. Alternativ, datele pot proveni din N canale: X 0, X 1,…, X N-1

unde fiecare canal consistă din M eşantioane consecutive, X j=(X0j, X1j,……, XM-1j).

Seturile de date vin în două forme distincte ce trebuie a fi deosebite la

implementarea metodei de analiză. Prima e reprezentată de datele multidimensionale
provenite din canale multiple, ca de exemplu tensiunea şi curentul înregistrate simultan
dintr-un circuit. A doua formă e reprezentată de datele scalare provenite dintr-un singur
canal, unde la fiecare pas se face o singură măsurătoare. În acest caz celelalte dimensiuni
pot fi construite prin manipularea datelor originale. Dacă o singură variabilă a sistemului
poate fi observată X(t), atunci (n+1) vectori dimensionali sunt construiţi în forma (X(t),
X(t+T),…., X(t+nT)). Aceasta e metoda ce permite reconstruirea dinamicii în spaţiul
stărilor pornind de la o singură coordonată, fundamentată de Takens şi Mane. Aplicarea ei
la datele de provenienţă experimentală a fost făcută pentru prima dată de către Packard.
Eckmann şi Ruelle au perfecţionat metoda lui Packard, şi va fi prezentată în continuare.
Se considera o serie de date X1j, X2j,…., Xnptsj. Pentru reconstrucţie sunt utilizaţi doi
parametri, o întârziere d şi o dimensiune de îmbinare D .D descrie dimensionalitatea
 vectorilor, iar d descrie separaţia dintre punctele de date. Alegerile potrivite pentru aceşti
parametri pot fi făcute prin analizarea seriilor de date. Astfel următorii vectori sunt creaţi:
Y 0=(X0j, Xdj, X2dj,….., Xj(D-1)d)
Y 1=(X1j, X1+dj, X1+2dj,….., Xj1+(D-1)d)
…
Y M-1-(D-1)d=(XjM-1-(D-1)d, XjM-1-(D-2)d,….., XjM-1)

Relaţia dintre componenta “a” a vectorului “b” cu datele originale e data de:
Yab=Xjb+(a-1)d

Se observă că seria reconstruita conţine (D-1)*d mai puţini vectori decât originalul.
Acest lucru se întâmplă deoarece fiecare vector reconstruit se întinde de-a lungul a D*d
vectori consecutivi de date.

4.2 Nestaţionaritatea şirului de valori experimentale.

Identificarea nestaţionarităţii e o sarcină foarte importanta înainte de a încerca o
analiză cantitativă. Nici o metodă nu poate spune 100% sigur că nu a apărut o deviaţie a
parametrilor, deoarece unii cuantificatori statistici pot rămâne constanţi pe setul de date
chiar dacă unele proprietăţi ale sistemului care generează datele se schimbă rapid.
Pentru a identifica deviaţiile apărute în parametrii sistemului, se analizează cum se
modifică mediana şi deviaţia standard atunci când sunt vizualizate la trecerea ferestrelor de
date.
Principalii parametrii ce interesează sunt lungimea ferestrei şi statistica
discriminantă. O bună alegere a statisticii e mediana, deoarece o mediană fluctuantă indică
faptul că datele fluctuează gradat de-a lungul timpului. Cu fereastra potrivită, măsurarea
medianei poate fi folositoare în identificarea variaţiilor de mici dimensiuni.
Presupunem că cineva se uită la mediană cu un set de date de lungime n prin o
fereastra w. Astfel lui X1 i se atribuie mediana calculată a punctelor de la X1 la Xw, lui X2
mediana punctelor de la X2 la Xw+1 ajungând în final că lui Xn-w să i se atribuie mediana
valorilor de la Xn-w la Xn. Astfel se poate observa cum valoarea medie se schimbă de-a
lungul timpului.
 Alegerea unei ferestre potrivite e foarte important. O fereastră prea mică ascunde
dinamica, iar o fereastră prea mare duce la o mediană mare a fluctuaţiilor. De aceea se
recomandă încercarea a câteva ferestre

4.3 Alegerea timpului de întârziere

Pentru alegerea timpului de întârziere se folosesc două mărimi: autocorelaţia,
respectiv informaţia mutuală.
Autocorelaţia
Autocorelaţia e definită pentru o serie de date x astfel:

2
σx= ( x − x)
Corelaţia r dintre două date x si y e următoarea:

r= ( x − x)( y − y )
σ xσ y
Autocorelaţia “r” e dată de corelaţia seriei cu ea însăşi.
O alegere bună a timpului de întârziere corespunde primei intersecţii a
autocorelaţiei cu zero. Această reprezintă cea mai mică valoare a întârzierii pentru care x şi
y sunt necorelate. Însă, deoarece funcţia autocorelaţie e o măsură liniară, ea nu e utilizabilă
la eficienţa maximă în toate situaţiile.

Informaţia mutuală
Informaţia mutuală pentru două variabile aleatoare continue X şi Y, cu o funcţie
comună de densitate f(x,y), e dată de relaţia:
f ( x, y )
I=I(X;Y)=∫f(x,y)log dxdy
f ( x) f ( y )
O alegere bună a timpului de întârziere T e atunci când pentru un X(t) dat oferă noi
informaţii cu măsurătoarea X(T+t). Un grafic I(T) începe de sus, iar cu cât T creşte I(T)
descreşte, apoi creşte din nou. Fraser şi Swinney au sugerat folosirea primului minim din
I(T) pentru selectarea lui T, arătând astfel prima instanţa când data originală oferă nişte
informaţii despre forma sa temporală întârziată. O valoare rezonabilă a timpului de
întârziere corespunde deci primului minim al informaţiei mutuale. Acest criteriu este
preferabil autocorelaţiei, deoarece informaţia mutuala poate măsura corelaţii nonliniare.
 Nici unul din cele două criterii nu conduce întotdeauna la valori corecte pentru timpul de
întârziere,astfel că este recomandată utilizarea ambelor.

4.4 Alegerea dimensiunii spaţiului de scufundare

Dimensiunea Corelaţie
Dimensiunea corelaţie se determină utilizând algoritmul Grassberger-Procaccia.
Ideea e aceea de a construi o funcţie C(ε) ce reprezintă probabilitatea ca distanţa dintre
două puncte arbitrare de pe o orbită să fie mai mică decât un ε ales arbitrar. Pentru aceasta
se calculează separaţia dintre fiecare pereche de N puncte şi apoi se sortează în lungimi dε
d log(C )
proporţional cu ε. Dimensiunea corelaţie e data de: D= , cu ε →0 şi N→∞; ea
d log(ε )
corespunde pantei curbei C(ε), în sistem de coordonate log-log.
Algoritmul de calcul este de ordinul n2, deci trebuie început cu serii de date mici.
Prin selecţia unei estimări aproximative se poate grăbi procesul. Dacă valoarea pasului e
crescută la n, atunci doar al n-lea punct va fi folosit în estimarea dimensiunii corelaţiei.
Astfel un pas de dimensiunea patru va face ca programul să ruleze de patru ori mai repede.
Punctele apropiate în timp pot avea o corelaţie mare ce să ducă la distorsionarea estimării
dimensiunii corelaţiei. Această problemă poate fi rezolvată fie prin reducerea vitezeide
eşantionare, fie prin folosirea unui număr mai mare de orbite relativ la mărimea setului de
date.

Metoda falşilor vecini (FNN)

Această metodă găseşte cel mai apropiat vecin al oricărui punct al traiectoriei,
presupusă a se dezvolta într-un spaţiu al stărilor de dimensiune aleasă, apoi verifică dacă
aceste puncte rămân vecine şi dacă se măreşte dimensiunea spaţiului cu o unitate. Dacă
punctele nu mai sunt vecine, atunci în spaţiul anterior ele erau falşi vecini (FNN- False
Nearerst Neighbours). Procentajul de vecini falşi tindă spre zero cu cât ne apropiem mai
mult de dimensiunea corespunzătoare a spaţiului de scufundare. Practic, se consideră o
bună alegere a dimensiunii spaţiului de scufundare atunci când procentul de falşi vecini nu
depăşeşte o valoare impusă.
Un vecin dintr-un spaţiu n-dimensional e considerat fals dacă distanţa dintre punct
şi vecinul său într-un spaţiu (n+1) dimensional este mai mare decât distanţa medie dintre
punct şi vecinul său în fiecare din dimensiunile anterioare. Concret, pentru fiecare vector
 X=(X1, X2,….,Xn) din serie se caută cel mai apropiat vecin Y=(Y1, Y2,….,Yn) într-un
spaţiu n-dimensional. Se calculează apoi distanţa ||X-Y||, se iterează ambele puncte şi apoi
se calculează
X n+1 − Yn +1
Rn=
X −Y

Primul criteriu considerat e acela că dacă Rn depăşeşte un anumit prag stabilit de

utilizator atunci acest punct e considerat un vecin fals. Falşii vecini pot fi identificaţi şi prin
un al doilea criteriu dacă ||X-Y||>Toleranţa unde toleranţa este una specificată de
utilizator, multiplicată de mărimea atractorului. Dimensiunea căutată e aceea în care
procentajul vecinilor falşi e foarte aproape de zero.

4.5. Determinarea exponentul Liapunov

Determinarea exponentului Liapunov din date experimentale afectate de zgomot
este un lucru dificil de realizat. Deşi se cunosc multe metode, nu există o siguranţă deplină
că aceste metode dau rezultate corecte în toate situaţiile. Un test al corectitudinii constă în
a verifica dacă suma tuturor exponenţilor este negativă, aşa cum trebuie să fie pentru un
sistem dinamic disipativ.
Vom prezenta modul de calcul al exponentului Liapunov λ pe baza unei serii
temporale de date 1D. Pentru simplificare vom nota x(t)=x0, x(t1)=x1,….Vom presupune
că intervalele de timp la care se face eşantionarea sunt egale. Din seria temporală selectăm
două valori apropiate, de exemplu xi şi xj, după care calculăm şirul d0=│xj-xi│
d1=│xj+1–xi+1│
……………...
dn=│xj+n-xi+n│
Va creşte exponenţial, cel puţin in medie, pe măsură ce “n” creşte.
Aproximăm termenii şirului printr-o lege exponenţială,
dn=d0*eλn,
de unde
λ=1/n*ln*dn/d0.
Aceasta este relaţia de definiţie a exponentului Liapunov. Dacă comportarea
sistemului este haotică, atunci dn>d0 respectiv λ>0. De fapt, am localizat două puncte
 vecine de pe traiectorie si am urmărit diferenţele dintre două traiectorii care evoluează de
pe fiecare din cele două puncte “iniţiale”.
Unele precizări tehnice:
1. Am presupus o viteză exponenţială de separare a celor două traiectorii. Pentru o
serie temporală dată, această presupunere trebuie verificată atent: se reprezintă grafic
ln(dn), in funcţie de indicele n; daca separarea este exponenţială, punctele cad aproape pe o
dreaptă, a cărei pantă este chiar λ. O fitare prin metoda celor mai mici pătrate va da
dreapta, şi o măsură a calităţii acestei fitări.
2. Valoarea lui λ depinde in general de valoarea xi aleasă ca valoare iniţială şi deci
calculul trebuie repetat pentru un număr N (cca.30-40) de valori iniţiale xi distribuite pe
atractor. Atunci valoarea medie a lui λ pentru atractor este data de relaţia
N
λ=1/N* ∑ λ(xi)
i =1

Din valorile λ(xi) putem calcula o deviaţie standard pe care o putem folosi ca un
estimator al incertitudinii asociate cu acea valoare medie.
Vrem ca λ să reflecte faptul că unii xi apar mai frecvent decât alţii, adică
traiectoriile vizitează unele părţi ale spaţiului stărilor
3. Pentru sistemele mărginite de care ne ocupăm , numărul de n paşi nu poate fi
prea mare , x(t) este mărginită di≤│max(xn)-max(xn)│, iar creşterea exponenţiala a lui d nu
merge la nesfârşit. Trebuie deci să-l limităm pe n. Pentru aceasta este util să reprezentăm
grafic secvenţa di pentru a vedea la ce n apare “saturaţia”. Valoarea lui n depinde şi de
valoarea lui λ si a lui d0. Dacă d0 este făcut mic, alegându-l pe xj mai aproape de xi, atunci
creşterea exponenţială va continua până la valori mai mari ale lui n.
4. Dacă secvenţa de valori a lui x corespunde unui componente periodice, valorile
lui dn trebuie să fie foarte mici sau zero, deoarece traiectoria se reîntoarce la exact acelaşi
set de valori. Astfel, metoda se va da λ=0 reflectând faptul că dn nici nu creşte, nici nu
descreşte. Punctele traiectoriei de pe o orbită periodică nu diverg. Pentru o direcţie din
spaţiul stărilor transversala unei traiectorii vecine este atrasă de către orbita stabilă. Seria
temporală de valori, de pe traiectorie nu poate spune cum sunt atrase. Sunt necesare
metodele mai generale.
5. Sunt restricţii privind valoarea lui j pe care o folosim la un xi dat. Dacă seria
temporală se obţine dintr-o “eşantionare” a unei cantităţi care variază neted, atunci nu vom
alege j prea aproape de i, deoarece aceste doua valori sunt apropiate in timp. Ne aşteptăm
 ca si cele doua traiectorii, construite pe xi si xj ca puncte iniţiale, vor rămâne apropiate si
deci vom obţine valori anormal de mici pentru λ(xi).
6. Există o limită practică a valorii minime a lui d0. Numărul de zecimale cu care s-au
calculat xi, ori s-au măsurat, pune o limita inferioară pentru d0. De exemplu, dacă datele au
fost înregistrate cu trei zecimale, atunci nu putem cere ca d0 să fie mai mic. Precizia finita
face ca intr-o secvenţa lungă să apară valori identice.
 Capitolul 5
Un test simplu pentru identificarea haosului
în sisteme dinamice deterministe

5.1 Introducere
Metoda reconstrucţiei dinamicii pe baza unei serii temporale generate de sistemul
dinamic, prezentată în capitolele 3 şi 4, are dezavantajul că presupune multe calcule şi
alegeri de parametrii pe baza unor criterii a căror efect nu este întotdeauna controlabil.
Rezultatul însă recompensează acest efort deoarece se obţin multe informaţii privind
sistemul dinamic care a generat seria temporală. Acest lucru este deosebit de important
dacă dinamica este complexă şi dacă regulile care guvernează evoluţia sistemului nu sunt
cunoscute.
În această situaţie ne interesează în primul rând dacă neperiodicitatea prezentată de
datele experimentale este datorată unei dinamici haotice a unui sistem determinist, dacă
este rezultatul unui proces pur aleator sau se datorează contaminării cu zgomot aleator a
unui semnal periodic. Răspunsul la această întrebare îl oferă semnul celui mai mare
exponent Liapunov, determinat cu ajutorul seriei temporale.
În al doilea rând, dacă am stabilit că sursa seriei de date experimentale este
activitatea complexă a unui sistem dinamic determinist, ne interesează câte grade de
libertate are sistemul. Mai concret, este aspectul neperiodic al datelor prelevate rezultatul
evoluţiei unui număr extrem de mare de variabile ( ca de exemplu în cazul unui gaz), sau
se datorează unui număr relativ mic de variabile (ca în cazul modelului Lorentz).
Dimensiunea spaţiului de scufundare ne oferă o măsură a numărului de grade de libertate
active, sau dominante, ale sistemului. Spre exemplu, modelul Lorentz privind dinamica
unei celule atmosferice, în prezenţa convecţiei termice, avea iniţial 27 de variabile de stare.
Simplificări succesive, bine motivate, au redus modelul la doar 3 variabile, care sunt cele
dominante, adică impun carecterisicile distinctive ale dinamicii sistemului fizic.
În multe situaţii practice, suntem interesaţi doar de a ştii dacă seria temporală
generată de o cutie neagră, despre care ştim doar că conţine un sistem determinist,
corespunde unei dinamici periodice, regulate, sau unei dinamici haotice (în sensul în care
am definit acest termen). În astfel de cazuri se dovedeşte util un test care să fie simplu de
efectuat, acţiunea lui să fie controlabilă, şi el să poată fi efectuat în timp real, dacă seria
 temporală este achiziţionată experimental. Testul trebuie să funcţioneze bine în condiţiile
unui număr relativ redus de termeni ai seriei şi în prezenţa zgomotului datorat preciziei
limitate a sistemului de măsură şi de achiziţii de date.
În cele ce urmează vom prezenta un astfel de test, pe care îl vom verifica folosind
date generate de sisteme dinamice cu dinamică cunoscută. Acest test are două avantaje
majore faţă de metoda bazată pe calculul exponentului Liapunov maxim:
(i) Testul se aplică direct datelor experimentale, astfel încât reconstrucţia spaţiului
stărilor, care precede calculul exponentului Liapunov, nu mai este necesară. Testul se
aplică la fel de bine atât la sistemele în timp continuu, cât şi la cele în timp discret, modelul
matematic concret prin care poate fi descris sistemul dinamic ne-având nici o relevanţă
(poate fi de tipul ecuaţii diferenţiale ordinare sau de alt tip, aplicaţii iterate, etc.);
(ii) Este un test binar în esenţă, în sensul că o valoare finală 0 înseamnă
comportament regulat, periodic, iar o valoare sensibil mai mare decât 0, teoretic 1,
înseamnă comportament neregulat, adică haotic. Acesta este un mare avantaj faţă de
metoda bazată pe calcului celui mai mare exponent Liapunov, când o valoare, de exemplu
0.01 trebuie interpretată ca un comportament haotic, deşi ea ar putea rezulta prin efectul
unor imprecizii de calcul, valoarea reală fiind, de exemplu, -0,01, ceea ce înseamnă regim
periodic, concluzie total diferită de cea precedentă. În testul care va fi prezentat, valoarea
0,01 de exemplu, este asimilată valorii 0, adică regimul este periodic.

5.2 Descrierea testului

Presupunem că dispunem de o serie de valori Φ(n), n=1,2,3,..., ale unei mărimi
observabile Φ(t). Cazul de interes practic este acela când Φ(n) rezultă în urma unei
achiziţii de date, printr-un senzor conectat la un sistem dinamic determinist. Spre exemplu,
Φ poate fi curentul absorbit de un motor, sau o altă mărime măsurabilă.
Se alege în mod aleator o constantă cєR şi apoi se calculează mărimea

n
p(n)= ∑ φ ( j ) cos( jc ) , n=1,2,3,...
j =1

care reprezintă o medie a valorilor Φ(n), funcţia de probabilitate fiind cos(nc).

Calculăm apoi distanţa medie pătratică dintre două puncte ale şirului p(n), cu
ajutorul relaţiei
 2
1 N
M(n)= lim
n →∞ N
∑ [ p ( j + n) − p ( j ) ]
j =1
, n=1,2,3,…

Dacă dinamica sistemului este periodică (sau cvasiperiodică), atunci cu

probabilitatea 1, M(n) e o funcţie dependentă de n. Dacă însă dinamică este haotică, atunci
cu probabilitatea 1, M(n)=Vn+O(1) pentru V>0 .
Definim creşterea asimptotică a şirului M(n), într-un sistem de coordonate log-log,
prin :
log M (n)
K= lim .
n →∞ log n
Ţinând cont de precizarea de mai sus,
1. K=0 înseamnă dinamică normală (regulată, periodică);
2. K=1 înseamnă dinamică haotică.
Şirul de date fiind colectat experimental, el este finit, adică 1≤ n ≤ N, unde N este
numărul de valori pentru Φ.
Pentru şirul finit de valori Φ(n),distanţa pătratică medie este dată de relaţia
2
1 N −n
M(n)= ∑ [ p ( j + n) − p ( j )] .
N − n j =1

Având n<<N este normal să ne aşteptăm ca M(n) să scaleze cu n într-un mod

similar cu în cazul seriei.
Practic, pentru calculul lui K vom reprezenta valorile log(M(n)+1)) în funcţie de
log n, pentru 1≤ n ≤N1, unde 1≤N≤N (termenul 1 a fost adăugat pentru a evita logaritmii
unor numere negative). Este convenabil să alegem N1=N\10. În aceste condiţii K
reprezintă panta dreptei obţinută ca regresie, prin metoda celor mai mici pătrate, a funcţiei
log(M(n)+1))-log n. Dacă panta K este aproape de zero, atunci dinamica este periodică, iar
dacă panta K este aproape de 1, atunci dinamica este haotică.
Pentru serii scurte de date, cu sau fără zgomot suprapus, poate apare un efecte de
rezonanţă între anumite valori ale lui c şi frecventele din dinamica dominantă a sistemului.
Pentru a evita acest fenomen, se repetă calculul lui K pentru diferite valori ale lui c. Apoi
se determină valoarea mediană a lui K, care reprezintă mărimea de ieşire a testului.
Vom exemplifica acest text pentru aplicaţia
xn+1=µxn(1-xn),
 considerând că parametrul µ variază între 3,5 şi 4 cu pasul 0.001. Începând cu condiţia
iniţială 0.0001, utilizăm N=1000 iteraţii, după un transient de 20.000 de iteraţii. Facem
Φ(n)=xn.
În figura 1 se vede cum metoda veche se compară cu testul modificat, unde pentru
testul modificat se consideră mediana a 100 de valori diferite ale lui c. Este evidentă o
îmbunătăţire dramatică în testul nostru. O critica evidenta e aceea că K e întotdeauna
departe de 1 pentru serii de date scurte. Mai încolo vom demonstra că această problemă are
o importanţa neglijabilă comparativ cu metoda tradiţională. Singurul scop în această parte
e de a compara cele doua teste.

Figura 1
În figura 2 vom compara efectele utilizării a 1,10 de valori diferite ale lui c. Este
evident că o singură alegere a lui c nu este eficientă şi că utilizarea a 10 valori pentru c
reprezintă o îmbunătăţire semnificativă, cu toate că unele ferestre sunt slab definite. Acest
lucru e remediat folosind 100 de valori ale lui c; creşterea la 1000 de valori nu aduce o
îmbunătăţire semnificativă. Pe parcursul lucrării se vor utiliza 100 de valori.

Figura 2
5.2.1 SCHEMA BLOC A ALGORITMULUI
 5.2.2 Implemantarea programului pe baza căruia se realizează testul

N=1000;
tran=20000;
N1=N/10;
C=100
k=0;

for i=1:C
r=0;
c=rand+1;
for u=3.5:0.001:4
%Initializare
p=zeros(1,N);
M=zeros(1,N1);
m=zeros(1,N);
logn=zeros(1,N1);
logM=zeros(1,N1);
x=zeros(1,N+tran);

r=r+1;
U(r)=u;

%Calculam pe x(n)
x(1)=0.0001;
for n=1:N+tran-1
x(n+1)=u*x(n)*(1-x(n));
end

%Calculam p(n)
for n=1:N
for j=1:n
p(n)=p(n)+x(j+tran)*cos(c*j);
end
end

%Calculam M(n)
for n=1:N1
for j=1:N-n
m(n)=m(n)+(p(j+n)-p(j))^2;
end
M(n)=1/(N-n)*m(n);
end

% Calculam logaritmi
for n=1:N1
logn(n)=log(n);
logM(n)=log(M(n)+1);
end
kn=polyfit(logn,logM,1);
k(r,i)=kn(1);
end
end
K=median(k,2);
plot(U,K), grid on
Figura 3. Reprezintă graficul pentru o singură valoarea a lui c

Figura 4. Reprezintă graficul pentru 10 valori ale lui c

 Figura 5. Reprezentarea lui c pentru 100 valori

Figura 6. Folosind metoda „celor mai mici pătrate” se realizează regresia liniară după
valoarea mediană a lui K, log (M(n)+1) funcţie de log n, adică în funcţie
de valoarea de mijloc, K=0.44
 Figura 7. Reprezintă diagrama de bifurcaţie cu ajutorul căreia ne putem ghida în
verificarea concludenţei testului

Figura 8. Reprezintă diagrama de bifurcaţie cu zoom, unde se poate observa foarte bine că
anumite porţiuni, în anumite valori de pe garfic (aprox. 3,85)ale lui K, acesta are 3 valori,
ce se poate observa şi în rezultatele obţinute din testul de mai sus λ<0, iar în alte
valori (aprox. 3,95), K nu are nici o valoare λ<0, se pot observă „ferestrele
de ordine”. Astfel putem afirma că testul este corect.
 5.2.3 Implementarea programului în prezenţa zgomotului

%Zgomot

N=10000;
tran=0;
N1=N/10;
c=1.68
t=0;
a=-0,1;
b=0,1;
A=10;
T=zeros(1,N);

% Calculam f1(n)
for i=0.01:0.01:N*0.01
t=t+1;
f1(t)=A*sin(i);
f2(t)=a + (b-a) * rand;
T(t)=i;
end
% Calculam pe x(n)
x=zeros(1,N+tran);
for n=1:N+tran
x(n)=f1(n)+f2(n);
end

% Initializare
p=zeros(1,N);
M=zeros(1,N1);
m=zeros(1,N);
logn=zeros(1,N1);
logM=zeros(1,N1);

% Calculam p(n)
for n=1:N
for j=1:n
p(n)=p(n)+x(j+tran)*cos(c*j);
end
end

% Calculam M(n)
for n=1:N1
for j=1:N-n
m(n)=m(n)+(p(j+n)-p(j))^2;
end
M(n)=1/(N-n)*m(n);
end

% Calculam logaritmi
for n=1:N1
logn(n)=log(n);
logM(n)=log(M(n)+1);
end
kn=polyfit(logn,logM,1);
K=kn(1)
plot(logn,logM,'.'), grid on
plot(T,x), grid on
Figura 9. Semnalul zgomotului din acest test este cuprins între -1 şi 1, se observă destul de
bine din diagramă alura zgomotului

Figura 10. Fitarea lui K (folosind „metoda celor mai mici pătrate”), log (M(n)+1 funcţie
de log n în prezenţa zgomotului. Se alege valoare mediană a lui K, K=0,45.
 Detaliu

Figura 11. Reprezintă semnalul random cuprins între –0.1 şi 0.1, se observă că zgomotul
este mai mic decât în precedentul caz

Figura 12. O mai bună vedere a prezenţei zgomotului din figura 11

 .

Figura 13. Regresia liniară a lui K (intervalul –0,1; 0,1), log (M(n)+1) funcţie de log n, iar
valoare lui este aproape de zero, K=0.02, reprezintă o dinamică haotică.
 BIBLIOGRAFIE

[1] JOSHUA D. REISS – The analysis of chaotic time series.

Georgia Institute of Technology (2001)

[2] GEORG A. GOTTWALD, IAN MELGOURNE – A new test

for chaos in deterministic systems. Proc. R. Soc. London A 460

(2004)

[3] J. P. Echmann, S. O. Kamphorst, D. Ruelle and S. Ciliberto –

Liapunov exponents from time series. Phys. Rev. A 34 (1986)