1981年,芙罗莉丝·塔肯斯发表了一篇名为“探测湍流中的奇怪吸引子”的论文,该论文被引用了14000多次(据谷歌称)。如果你看原始论文,它非常专业,对于像我这样对代数、分析、拓扑或动力系统理论没有很好理解的人来说很难理解。然而,这个定理的含义远远超出了这些领域。这篇文章旨在提炼定理,以便更好地理解,同时希望不会丢失太多信息。像图像压缩算法一样,我们不可避免地会丢失一些信息,但希望图片还在。
Background of theorem
该定理的领域主要是在动力系统理论的背景下。换句话说,当我们谈到Takens定理时,一般是在微分方程的背景下。简要回顾一下,微分方程描述了不同变量之间的相互作用以及这些变量的变化率。微分方程非常通用,可以模拟许多自然系统,例如:
动物种群population of animals的Lotka-Volterra Equation
d
P
d
t
=
−
P
m
+
b
H
P
d
H
d
t
=
H
r
−
a
H
P
\begin{aligned} \frac{dP}{dt}&=-Pm+bHP \\ \frac{dH}{dt}&=Hr-aHP \end{aligned}
dtdPdtdH=−Pm+bHP=Hr−aHP
{
P
=
P
(
t
)
Number of predators
H
=
H
(
t
)
Number of Prey
\begin{cases} P=P(t)\qquad\text{Number of predators} \\ H=H(t)\qquad\text{Number of Prey} \end{cases}
{P=P(t)Number of predatorsH=H(t)Number of Prey
{
r
>
0
Birth rate of Prey
m
>
0
Death rate of Predators
a
>
0
Death rate of Prey/Predators
b
>
0
Birth rate of Predators/Prey
\begin{cases} r\gt 0 \qquad\text{Birth rate of Prey} \\ m\gt 0\qquad\text{Death rate of Predators} \\ a\gt 0\qquad\text{Death rate of Prey/Predators} \\ b\gt 0\qquad\text{Birth rate of Predators/Prey} \end{cases}
⎩
⎨
⎧r>0Birth rate of Preym>0Death rate of Predatorsa>0Death rate of Prey/Predatorsb>0Birth rate of Predators/Prey
传染病的传播模型为具有生命动力学和常数人口的SIR模型:
d
S
d
t
=
Λ
−
μ
S
−
β
I
S
N
d
I
d
t
=
β
I
S
N
−
γ
I
−
μ
I
d
R
d
t
=
γ
I
−
μ
R
\begin{aligned} \frac{dS}{dt}&=\Lambda-\mu S-\frac{\beta IS}{N} \\ \frac{dI}{dt}&= \frac{\beta IS}{N}-\gamma I-\mu I\\ \frac{dR}{dt}&= \gamma I-\mu R \end{aligned}
dtdSdtdIdtdR=Λ−μS−NβIS=NβIS−γI−μI=γI−μR
碳循环、化学反应、国民经济、森林火灾……你明白了。他们非常全能。
Motivation of Theorem
让我们继续以对兔子数量非常感兴趣的生物学家为例。所有动物的数量可能非常复杂。实际上,可能有许多这样的动物一起互动。举个简单的例子,可能只有狼和兔子。但是,在一个现实的例子中,可能有狼、兔子、熊、鹰、郊狼等等。然而,我们无法知道哪些动物与兔子群体相互作用,也许我们甚至无法跟踪所有这些其他动物。
如果我们只能观察兔子而不能观察其他任何动物,我们能知道我们兔子的潜在动态数量吗?我们还需要测量熊、狼和/或鹰的数量吗?如果有,是哪些?
Takens Theorem
takens定理令人惊讶地说,我们只需要观察兔子种群就能够理解底层的微分方程。让我们来看看:
好吧,让我们来分析一下。首先,函数y将会是我们动力学的一个可观测值,所以这可能是我们对兔子数量的测量。函数
ϕ
\phi
ϕ只是将系统移动到不同的时间。因此,
y
(
x
)
y(x)
y(x)是1月1日的兔子数量,例如,
y
(
ϕ
(
x
)
)
y(\phi (x))
y(ϕ(x))是1月2日的兔子数量,
y
(
ϕ
2
(
x
)
)
y(\phi ^2(x))
y(ϕ2(x))是1月3日的兔子数量。
这意味着函数 ϕ \phi ϕ是不同时间兔子数量的集合。这些数据是一种“嵌入”,这意味着它包含了相同的信息,就好像我们可以访问兔子与之互动的所有不同种群一样!
总之,Takens定理认为,访问一个动力系统的所有不同变量相当于在足够多的不同时间点对一个变量进行采样。这意味着什么?这意味着我们肯定可以用一个确定的时间序列来预测未来。