这个专栏里的东西严格来说不仅仅是神经学文献的阅读笔记。更多的是与神经学研究相关的一些领域的一些预备性知识。举个例子,如果你要了解Hodkin-Huxuly方程,那么对于动力系统的了解必然是不可少的,这有助于我们明晰H-H方程的动力学性质,以及混沌特性。在更新完动力系统的部分之后,我可能会稍微把H-H方程的模拟说一下,更多的还是基于文献的数据。
我的打算是把动力系统讲得简单易懂,让一个高中生都能够理解的程度。对于其中的概念,我不仅会单独给出数学上的定义,还会用形象化的语言去描述这个概念的意义。
首先给出动力系统的概念,直白地说,动力系统是指一类微分方程组,这类微分方程组的坐标的时间微分是由坐标和时间的函数关系给出的。如果其时间微分不显含t,则称之为自治方程;如果显含时间t,那么称之为非自治方程。
更多情况下我们考虑自治方程,它是形式如下的等式:
其中
当然,上面的表述是十分繁复的,对于高维的情况,需要写出大量的微分方程。因此我们引入向量来简化上面的表述。以后我们用无脚标的
1,连续性的影响
下面我们来讨论一下连续性的影响。显然,对于一个映射,必然存在一个定义域,在定义域之外,我们不讨论动力系统的图像。
对于上述微分方程组,只要
流是个什么东西呢?在那之前,我们先介绍微分方程组的场,场是引入流不可或缺的。
首先我们以上面的式子为例,给出一个二维坐标平面
所有的这样的光滑曲线,组成的一个集合,我们称之为
注意,流是不相交的,因为相交会出现一个问题:在交点处,存在两个方向向量,但是,按照我们的定义,某一点的方向向量是惟一的,因而矛盾。更严谨的数学证明不给出。
连续的函数给出的流的性质是“好的”。因为它在定义域内是光滑的,这十分有利于分析。如果
下面给出一个例子,是洛伦兹系统的流的示意图。(注:这里给出的是数值计算的结果,严格来说是不够精确的,在更小的迭代步长和更高的迭代次数的情况下,其图像的“腹腔”相比于该例图更下收缩。)
![1d50819ed3025edf1c20799657a412bb.png](https://i-blog.csdnimg.cn/blog_migrate/c2f45beaad3e6733920b98efab744682.jpeg)
![d9a5b9c5df88405c4d6a696b428d49ec.png](https://i-blog.csdnimg.cn/blog_migrate/6ee5c10c0148662803bac4e800f9e861.jpeg)
2,流的体积变化
首先我们定义流的通用符号,我沿用的是《动力系统导论》中的符号,我们定义:
下面我们讨论一下流的群性质。易知:
接下来,我们引入一个发散量的概念。其实,发散量的概念,与场中的散度的概念是一样的。我们首先回顾一下场的散度的概念。对于一个矢量场
发散量的概念与之类似,用以衡量流上一点的体积变化率。事实上谈论一个点的体积变化率是没有意义的,因为一个点的定义就是要求无穷小,自然没有体积变化率的概念。在这里,我们指的更多是一个足够小半径的球,这个足够小半径的球中的每一点,我们都将其取为初始点,也就是说,是这样的一个集合A:
其中,
于是,我们可以介绍接下来的Liouville公式,这个公式实际上是单变量微积分中微分方程的Liouville公式在动力系统中的推广。
对于系统
对于Liouville公式,有一个非常简单而直接的例子,就是当发散量为0时,
3,小偏差与李雅普诺夫指数
对于动力系统的偏导数矩阵,通常概念下的偏导数是毫无意义的。因为其某一点的偏导数向量方向与该点场的方向是一致的。这是动力系统独特的方程形式所带来的,因此,我们用如下的方法来定义其偏导数矩阵。
在此之前,在正交单位向量基中,我们约定
在上述约定下,我们称,对
用形象化的方法来解释,就是:流的第
这一点正满足了我们研究动力系统的需求,因为我们考虑一个动力系统,不关心它的静态性质,而是关注它的动态演化性质,而以上的偏导数矩阵定义,很好地满足了这个要求,虽然从计算上来说非常复杂,绝大多数下都需要通过数值计算去得到。
有了这个好的偏导数矩阵,我们就可以去讨论李雅普诺夫指数。
首先需要声明,对于一个高维系统(
接下来,我们讨论发散量为常数的动力系统。
我们称小偏差的方向为
我们称小偏差通过演化之后得到的大偏差为
对于某个方向
也就是说,李雅普诺夫指数表现的是一个极限性质,它表现了系统演化的最终走向。对于一个初始点来说,可能某个方向的李雅普诺夫指数是正的,而另一个是负的。最后的最后,对于一个初始点,其沿着该点场的方向的李雅普诺夫指数为0,证明从略,但是从直观上我们也可以理解,那就是如果在每一点都沿着场的方向一直走,那么就不会产生偏差,上述极限式的分子一直为0。
对于数学基础不是特别扎实的人,可以单单看每个定义后面的简要文字描述,可能会更好理解一点。
最后的最后,我们来谈论一下洛伦兹吸引子的测度。显然,整个空间都是洛伦兹系统的吸引域(吸引域的概念会在下篇文章给出)。而洛伦兹吸引子的范围是很小的,我们可以考虑这样的一个吸引域:
我们使用的参数为