混沌数学之吕陈吸引子

吕陈吸引子(Lu Chen attractor)也称Lu attractor 吸引子是2002年中国科学院数学与系统科学研究院研究员
吕金虎(Jinhu Lu),Suchun Zhang 和香港城市大学电子工程系讲座教授陈关荣( Guangrong Chen )发现和分析的
种新型的介于洛伦茨吸引子和蔡氏电路之间的吸引子。
吕氏吸引子的特点是其随控制参数的变化,而呈现为左卷波混沌吸引子、麻花型吸引子或右卷波混沌吸引子.

吕氏吸引子方程:
frac{dx(t)}{dt}=a*(y(t)-x(t))
frac{dy(t)}{dt}=x(t)-x(t)*z(t)+c*y(t)+u
frac{dz(t)}{dt}=x(t)*y(t)-b*z(t)

参数:a = 36, c = 20, b = 3, u = -15..15
初始条件:x(0) = .1, y(0) = .3, z(0) = -.6

其中 u 是一个控制数,
当 u ≤-11 时,Lṻ Chen 混沌吸引子为左卷波混沌吸引子,
当 u 在 -10 和 10 之间 时为麻花型吸引子,
当 u≥ 11 ,是右卷波混沌吸引子。

相关软件:混沌数学及其软件模拟

相关代码:

class LuChenAttractor : public DifferentialEquation
{
public:
    LuChenAttractor()
    {
        m_StartX = 0.1f;
        m_StartY = 0.3f;
        m_StartZ = -0.6f;

        m_ParamA = 36.0f;
        m_ParamB = 3.0f;
        m_ParamC = 20.0f;
        m_ParamD = 8.0f;
    }

    void Derivative(float x, float y, float z, float& dX, float& dY, float& dZ)
    {
        dX = m_ParamA*(y - x);
        dY = x - x*z + m_ParamC*y + m_ParamD;
        dZ = x*y - m_ParamB*z;
    }

    bool IsValidParamA() const {return true;}
    bool IsValidParamB() const {return true;}
    bool IsValidParamC() const {return true;}
    bool IsValidParamD() const {return true;}
};

 

相关截图:

转载于:https://my.oschina.net/abcijkxyz/blog/723412

深度学习是机器学习的一个领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值