Documente Academic
Documente Profesional
Documente Cultură
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
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.
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
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:
f1 ( x1 , x 2 ) = 0
f 2 ( x1 , x ) = 0
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
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
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.
∂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
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.
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.
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.
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
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.
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
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
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
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
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).
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.
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.
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.
n
p(n)= ∑ φ ( j ) cos( jc ) , n=1,2,3,...
j =1
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 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 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