李雅普诺夫指数

我的女友叫苏苏

已于 2022-12-20 18:32:04 修改

阅读量1.8k

点赞数 1

分类专栏： matlab 混沌文章标签：人工智能算法

于 2022-12-20 16:57:58 首次发布

本文链接：https://blog.csdn.net/qq_58533871/article/details/128385840

版权

matlab 同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

混沌

1 篇文章 0 订阅

订阅专栏

李雅普诺夫指数：衡量一个系统因微小初值误差，随时间（迭代）产生分离的程度。当李雅普诺夫指数大于0，可以作为混沌行为的判据。

我们先从简单由最经典的Logistic映射的入手、

Logistic映射： $x_{n+1}=ax_{n}(1-x_{n})$

定理： $\lambda =\lim_{n\rightarrow +\infty }\frac{1}{n}\sum_{i=0}^{n-1}ln |\frac{df}{dx}(x_{i})|$ ,其中 $f(x)=ax(1-x)$ , $\lambda$ 为李雅普诺夫指数。

我们可以作简单的推导，我们从上述概念中来看，李雅普诺夫指数（以下简称李数）为衡量系统因微小初值误差，后面迭代产生分离的程度，也就是说当 $|x_{0}-y_{0}|=\varepsilon,|x_{n}-y_{n}|=A_{n}|x_{0}-y_{0}|$ ,显然如果 $A_{n}$ 随着n的增大而越来越大，那么 $|x_{n}-y_{n}|$ 也越来越大（就可以说明这个伪随机序列有着良好的混沌性，就是李雅普诺夫指数大于0所指的情况），似乎这个 $A_{n}$ 跟我们的李雅普诺夫指数是有关联的。

我们先来进行 $A_{1}$ 的计算

$|x_{1}-y_{1}|=|f(x_{0})-f(y_{0})|=A_{1}|x_{0}-y_{0}|,A_{1}=\frac{|f(x_{0})-f(y_{0})|}{|x_{0}-y_{0}|},\\ A_{1}=f^{'}(x_{0})=\lim_{x_{0}-y_{0}}\frac{|f(x_{0})-f(y_{0})|}{|x_{0}-y_{0}|}$

类似的我们看 $A_{2}$

$|x_{2}-y_{2}|=|f(x_{1})-f(y_{1})|=A_{2}|x_{0}-y_{0}|,A_{2}=\frac{|f(x_{1})-f(y_{1})|}{|x_{0}-y_{0}|},\\ A_{2}=f^{'}(x_{1})f^{'}(x_{0})=\lim_{x_{0}-y_{0}}\frac{|f(x_{1})-f(y_{1})|}{|x_{1}-y_{1}|}*\frac{|f(x_{0})-f(y_{0})|}{|x_{0}-y_{0}|}$

从这里可以看出当初始误差很小时， $A_{n}=\prod_{i=0}^{n-1}f^{'}(x_{i})$ ,上面我们说到我们希望 $A_{n}$ 随着n的增大而越来越大，也就是说不收敛，那么 $\sqrt[n]{A_{n}}=\sqrt[n]{\prod_{i=0}^{n-1}f^{'}(x_{i})}>1$ ,两边取对数， $\frac{1}{n}\sum_{i=0}^{n-1}ln |\frac{df}{dx}(x_{i})|>0$ ,这就是李雅普诺夫指数的简单推导。

代码实现

clear;clc;close all;
hold on
a1=2.5:0.001:4;n=2000;
for j=1:length(a1)
a=a1(j);
x0=0.2;e=0;
for i=1:n
d=a-2*a*x0;
e=e+log(abs(d));
x0=a*x0*(1-x0);
end
l(j)=e/n;
end
plot(a1,l,'b')