-Lyapunov指数的计算方法

-Lyapunov指数的计算方法
【总结】Lyapunov 指数的计算方法非线性理论
近期为了把计算LE的一些问题弄清楚，看了有7～9本书！下面以吕金虎《混沌时间序列分析及其应用》、马军海《复杂非线性系统的重构技术》为主线，把目前已有的LE计算方法做一个汇总！
1. 关于连续系统Lyapunov指数的计算方法连续系统LE的计算方法主要有定义方法、Jacobian方法、QR分解方法、奇异值分解方法，或者通过求解系统的微分方程，得到微分方程解的时间序列，然后利用时间序列（即离散系统）的LE求解方法来计算得到。

关于连续系统LE的计算，主要以定义方法、Jacobian方法做主要介绍内容。

（1）定义法
2
3
定义法求解
Lyapunov 指数.JPG
关于定义法求解的程序，和matlab 板块的“连续系统LE 求解程序”差不多。

以Rossler 系统为例
Rossler 系统微分方程定义程序
function dX = Rossler_ly(t,X)
% Rossler 吸引子，用来计算Lyapunov 指数
% a=0.15,b=0.20,c=10.0
% dx/dt = -y-z,
% dy/dt = x+ay,
% dz/dt = b+z(x-c),
a = 0.15;
b = 0.20;
c = 10.0;
x=X(1); y=X(2); z=X(3);
% Y 的三个列向量为相互正交的单位向量
Y = [X(4), X(7), X(10);
X(5), X(8), X(11);
X(6), X(9), X(12)];
% 输出向量的初始化，必不可少
dX = zeros(12,1);
% Rossler 吸引子
dX(1) = -y-z;
dX(2) = x+a*y;
dX(3) = b+z*(x-c);
% Rossler 吸引子的Jacobi 矩阵
Jaco = [0 -1 -1;
1 a 0;
z 0 x-c];
dX(4:12) = Jaco*Y;
求解LE代码：
% 计算Rossler吸引子的Lyapunov指数clear;
yinit = [1,1,1];
orthmatrix = [1 0 0;
0 1 0;
0 0 1];
a = 0.15;
b = 0.20;
c = 10.0;
y = zeros(12,1);
% 初始化输入
y(1:3) = yinit;
y(4:12) = orthmatrix;
tstart = 0; % 时间初始值
tstep = 1e-3; % 时间步长
wholetimes = 1e5; % 总的循环次数
steps = 10; % 每次演化的步数
iteratetimes = wholetimes/steps; % 演化的次数mod = zeros(3,1);
lp = zeros(3,1);
% 初始化三个Lyapunov指数
Lyapunov1 = zeros(iteratetimes,1); Lyapunov2 = zeros(iteratetimes,1); Lyapunov3 = zeros(iteratetimes,1);
for i=1:iteratetimes
tspan = tstart:tstep:(tstart + tstep*steps);
[T,Y] = ode45('Rossler_ly', tspan, y);
% 取积分得到的最后一个时刻的值
y = Y(size(Y,1),:);
% 重新定义起始时刻
tstart = tstart + tstep*steps;
y0 = [y(4) y(7) y(10);
y(5) y(8) y(11);
y(6) y(9) y(12)];
%正交化
y0 = ThreeGS(y0);
% 取三个向量的模
mod(1) = sqrt(y0(:,1)'*y0(:,1));
mod(2) = sqrt(y0(:,2)'*y0(:,2));
mod(3) = sqrt(y0(:,3)'*y0(:,3));
4
y0(:,1) = y0(:,1)/mod(1);
y0(:,2) = y0(:,2)/mod(2);
y0(:,3) = y0(:,3)/mod(3);
lp = lp+log(abs(mod));
%三个Lyapunov指数
Lyapunov1(i) = lp(1)/(tstart);
Lyapunov2(i) = lp(2)/(tstart);
Lyapunov3(i) = lp(3)/(tstart);
y(4:12) = y0';
end
% 作Lyapunov指数谱图
i = 1:iteratetimes;
plot(i,Lyapunov1,i,Lyapunov2,i,Lyapunov3)
程序中用到的ThreeGS程序如下：
%G-S正交化
function A = ThreeGS(V) % V 为3*3向量
v1 = V(:,1);
v2 = V(:,2);
v3 = V(:,3);
a1 = zeros(3,1);
a2 = zeros(3,1);
a3 = zeros(3,1);
a1 = v1;
a2 = v2-((a1'*v2)/(a1'*a1))*a1;
a3 = v3-((a1'*v3)/(a1'*a1))*a1-((a2'*v3)/(a2'*a2))*a2;
A = [a1,a2,a3];
计算得到的Rossler系统的LE为———— 0.063231 0.092635 -9.8924
Wolf文章中计算得到的Rossler系统的LE为————0.09 0 -9.77
需要注意的是——定义法求解的精度有限，对有些系统的计算往往出现计果和理论值有偏差的现象。

正交化程序可以根据上面的扩展到N*N向量，这里就不加以说明了，对matlab用户来说应该还是比较简单的！
（2）Jacobian方法
通过资料检索，发现论坛中用的较多的LET工具箱的算法原理就是Jacobian 方法。

基本原理就是首先求解出连续系统微分方程的近似解，然后对系统的Jacobian矩阵进行QR分解，计算Jacobian矩阵特征值的乘积，最后计算出LE和分数维。

经过计算也证明了这种方法精度较高，对目前常见的混沌系统，如Lorenz、
5
Henon、Duffing等的Lyapunov指数的计算精度都很高，而且程序编写有一定的规范，个人很推荐使用。

（虽然我自己要做的系统并不适用）
LET工具箱可以在网络上找到，这里就不列出了！关于LET工具箱如果有问题，欢迎加入本帖讨论！
Jacobian法求解Lyapunov指数.JPG
对离散动力系统，或者说是非线性时间序列，往往不需要计算出所有的Lyapunov指数，通常只需计算出其最大的Lyapunov指数即可。

“1983年，格里波基证明了只要最大Lyapunov指数大于零，就可以肯定混沌的存在”。

目前常用的计算混沌序列最大Lyapunov指数的方法主要有一下几种：
（1）由定义法延伸的Nicolis方法
（2）Jacobian方法
（3）Wolf方法
（4）P－范数方法
（5）小数据量方法
其中以Wolf方法和小数据量方法应用最为广泛，也最为普遍。

下面对Nicolis方法、Wolf方法以及小数据量方法作一一介绍。

（1）Nicolis方法
这种方法和连续系统的定义方法类似，而且目前应用很有限制，因此只对其理论进行介绍，编程应用方面就省略了Nicolis方法求最大LE.JPG
（2）Wolf方法Wolf方法求最大LE.JPG
Wolf方法的Matlab程序如下：
function lambda_1=lyapunov_wolf(data,N,m,tau,P)
% 该函数用来计算时间序列的最大Lyapunov 指数--Wolf 方法
% m: 嵌入维数！一般选大于等于10
% tau:时间延迟！一般选与周期相当，如我选2000 % data:时间序列！可以选1000；
% N:时间序列长度满足公式：
M=N-(m-1)*tau=24000-(10-1)*1000=5000
% P:时间序列的平均周期,选择演化相点距当前点的位置差，即若当前相点为I，则演化相点只能在|I－J|>P的相点中搜寻! P=周期=600
% lambda_1: 返回最大lyapunov指数值
min_point=1 ; %&&要求最少搜索到的点数
MAX_CISHU=5 ; %&&最大增加搜索范围次数
%FLYINGHAWK
% 求最大、最小和平均相点距离
6
max_d = 0; %最大相点距离
min_d = 1.0e+100; %最小相点距离
avg_dd = 0;
Y=reconstitution(data,N,m,tau); %相空间重构可将此段程序加到
整个程序中，在时间循环内，可以保存时间序列的地方。

见完整程序。

M=N-(m-1)*tau; %重构相空间中相点的个数
for i = 1 : (M-1)
for j = i+1 : M
d = 0;
for k = 1 : m
d = d + (Y(k,i)-Y(k,j))*(Y(k,i)-Y(k,j));
end
d = sqrt(d);
if max_d < d
max_d = d;
end
if min_d > d
min_d = d;
end
avg_dd = avg_dd + d;
end
end
avg_d = 2*avg_dd/(M*(M-1)); %平均相点距离
dlt_eps = (avg_d - min_d) * 0.02 ; %若在min_eps～max_eps中找不到演化相点时，对max_eps的放宽幅度
min_eps = min_d + dlt_eps / 2 ; %演化相点与当前相点距离的最小限max_eps = min_d + 2 * dlt_eps ; %&&演化相点与当前相点距离的最大限
% 从P+1～M-1个相点中找与第一个相点最近的相点位置(Loc_DK)及其最短距离DK
DK = 1.0e+100; %第i个相点到其最近距离点的距离
Loc_DK = 2; %第i个相点对应的最近距离点的下标for i = (P+1):(M-1) %限制短暂分离，从点P+1开始搜索
d = 0;
for k = 1 : m
d = d + (Y(k,i)-Y(k,1))*(Y(k,i)-Y(k,1));
end
d = sqrt(d);
if (d < DK) & (d > min_eps)
DK = d;
Loc_DK = i;
7
end
end
% 以下计算各相点对应的李氏数保存到lmd()数组中
% i 为相点序号，从1到(M-1)，也是i-1点的演化点；Loc_DK为相点i-1对应最短
距离的相点位置，DK为其对应的最短距离
% Loc_DK+1为Loc_DK的演化点，DK1为i点到Loc_DK+1点的距离，称为演化距离
% 前i个log2（DK1/DK）的累计和用于求i点的lambda值
sum_lmd = 0 ; % 存放前i个log2（DK1/DK）的累计和
for i = 2 : (M-1) % 计算演化距离
DK1 = 0;
for k = 1 : m
DK1 = DK1 + (Y(k,i)-Y(k,Loc_DK+1))*(Y(k,i)-Y(k,Loc_DK+1));
end
DK1 = sqrt(DK1);
old_Loc_DK = Loc_DK ; % 保存原最近位置相点
old_DK=DK;
% 计算前i个log2（DK1/DK）的累计和以及保存i点的李氏指数 if (DK1 ~= 0)&( DK ~= 0)
sum_lmd = sum_lmd + log(DK1/DK) /log(2);
end
lmd(i-1) = sum_lmd/(i-1); 此处可以保存不同相点i对应的李氏指数，见完整程序。

% 以下寻找i点的最短距离:要求距离在指定距离范围内尽量短,与DK1的角度最小 point_num = 0; % &&在指定距离范围内找到的候选相点的个数
cos_sita = 0 ; %&&夹角余弦的比较初值——要求一定是锐角
zjfwcs=0 ; %&&增加范围次数
while (point_num == 0)
% * 搜索相点
for j = 1 : (M-1)
if abs(j-i) <=(P-1) %&&候选点距当前点太近，跳过！
continue;
end
%*计算候选点与当前点的距离
dnew = 0;
for k = 1 : m
dnew = dnew + (Y(k,i)-Y(k,j))*(Y(k,i)-Y(k,j));
end
dnew = sqrt(dnew);
if (dnew < min_eps)|( dnew > max_eps ) %&&不在距离范围，跳过！
8
continue;
end
%*计算夹角余弦及比较
DOT = 0;
for k = 1 : m
DOT = DOT+(Y(k,i)-Y(k,j))*(Y(k,i)-Y(k,old_Loc_DK+1));
end
CTH = DOT/(dnew*DK1);
if acos(CTH) > (3.14151926/4) %&&不是小于45度的角，跳过！
continue;
end
if CTH > cos_sita %&&新夹角小于过去已找到的相点的夹角，保留
cos_sita = CTH;
Loc_DK = j;
DK = dnew;
end
point_num = point_num +1;
end
if point_num <= min_point
max_eps = max_eps + dlt_eps;
zjfwcs =zjfwcs +1;
if zjfwcs > MAX_CISHU %&&超过最大放宽次数，改找最近的点DK = 1.0e+100;
for ii = 1 : (M-1)
if abs(i-ii) <= (P-1) %&&候选点距当前点太近，跳过！
continue;
end
d = 0;
for k = 1 : m
d = d + (Y(k,i)-Y(k,ii))*(Y(k,i)-Y(k,ii));
end
d = sqrt(d);
if (d < DK) & (d > min_eps)
DK = d;
Loc_DK = ii;
end
end
break;
end
9
point_num = 0 ; %&&扩大距离范围后重新搜索
cos_sita = 0;
end
end
end
%取平均得到最大李雅普诺夫指数（此处只有一个值，若为正说明体系是混沌的，若为负则说明体系是周期性的确定性运动）
lambda_1=sum(lmd)/length(lmd);
程序中用到的reconstitution函数如下：此段程序可直接放在时间循环内部，即可以保存时间序列的地方。

见完整程序范例。

function X=reconstitution(data,N,m,tau)
%该函数用来重构相空间
% m 为嵌入空间维数
% tau 为时间延迟
% data 为输入时间序列
% N 为时间序列长度
% X 为输出,是m*n维矩阵
M=N-(m-1)*tau; %相空间中点的个数
for j=1:M %相空间重构
for i=1:m
X(i,j)=data((i-1)*tau+j);
end
end
这里声明一下，这些程序并非我自己编写的，均是转载，其使用我已经验证过，绝对可以运行！
（3）小数据量方法
说小数据量方法是目前最实用、应用最广泛的方法应该不为过吧，呵呵！
小数据量方法求最大Lyapunov指数.JPG
上面两种方法，即Wolf方法和小数据量方法，在计算LE之前，都要求对时间序列进行重构相空间，重构相空间的优良对于最大LE的计算精度影响非常大！因此重构相空间的几个参数的确定就非常重要。

（1）时间延迟
主要推荐两种方法——自相关函数法、C－C方法
自相关函数法——对一个混沌时间序列，可以先写出其自相关函数，然后作出自相关函数关于时间t的函数图像。

根据数值试验结果，当自相关函数下降到初始值的1－1/e时，所得的时间t即为重构相空间的时间延迟。

C－C方法——可以同时计算出时间延迟和时间窗口，个人推荐使用这种方法！
10
（2）平均周期
平均周期的计算可以采用FFT方法。

在matlab帮助中有一个太阳黑子的例子，现摘录如下：
load sunspot.dat %装载数据文件
year = sunspot(:,1); %读取年份信息
wolfer = sunspot(:,2); %读取黑子活动数据
plot(year,wolfer) %绘制原始数据图
title('Sunspot Data')
Y = fft(wolfer); %快速FFT变换
N = length(Y); %FFT变换后数据长度
Y(1) = []; %去掉Y的第一个数据，它是所有数据的和
power = abs(Y(1:N/2)).^2; %求功率谱
nyquist = 1/2;
freq = (1:N/2)/(N/2)*nyquist; %求频率
plot(freq,power), grid on %绘制功率谱图
xlabel('cycles/year')
title('Periodogram')
period = 1./freq; %年份（周期）
plot(period,power), axis([0 40 0 2e7]), grid on ％绘制年份－功率谱曲线ylabel('Power')
xlabel('Period(Years/Cycle)')
[mp,index] = max(power); %求最高谱线所对应的年份下标
period(index) %由下标求出平均周期
（3）嵌入维数
目前嵌入维数的主要计算方法是采用Grassberger和Procaccia提出的G－P算法计算出序列的关联维数d，然后利用嵌入维数m>=2d+1，选取合适的嵌入维数。

G—P算法程序如下：
function [ln_r,ln_C]=G_P(data,N,tau,min_m,max_m,ss)
% the function is used to calculate correlation dimention with G-P algorithm
% 计算关联维数的G－P算法
% data:the time series 时间序列
% N: the length of the time series 时间序列长度
% tau: the time delay 时间延迟
% min_m:the least embedded dimention m 最小的嵌入维数
% max_m:the largest embedded dimention m 最大的嵌入维数
% ss:the stepsize of r r的步长
%skyhawk
for m=min_m:max_m
Y=reconstitution(data,N,m,tau);%reconstitute state space
M=N-(m-1)*tau;%the number of points in state space
for i=1:M-1
for j=i+1:M
d(i,j)=max(abs(Y(:,i)-Y(:,j)));%calculate the distance of each two end %points in state space 计算状态空间中每两点之间的距离
end
max_d=max(max(d));%the max distance of all points 得到所有点之间的最大距离d(1,1)=max_d;
min_d=min(min(d));%the min distance of all points 得到所有点间的最短距离delt=(max_d-min_d)/ss;%the stepsize of r 得到r的步长
for k=1:ss
r=min_d+k*delt;
C(k)=correlation_integral(Y,M,r);%calculate the correlation integral
ln_C(m,k)=log(C(k));%lnC(r)
ln_r(m,k)=log(r);%lnr
fprintf('%d/%d/%d/%d\n',k,ss,m,max_m);
end
plot(ln_r(m,:),ln_C(m,:));
hold on;
end
fid=fopen('lnr.txt','w');
fprintf(fid,'%6.2f %6.2f\n',ln_r);
fclose(fid);
fid = fopen('lnC.txt','w');
fprintf(fid,'%6.2f %6.2f\n',ln_C);
fclose(fid);
程序中的correlation_integral函数如下：
function C_I=correlation_integral(X,M,r)
%the function is used to calculate correlation integral
%C_I:the value of the correlation integral
%X:the reconstituted state space,M is a m*M matrix
%m:the embedding demention
%M:M is the number of embedded points in m-dimensional sapce
%r:the radius of the Heaviside function,sigma/2<r<2sigma
%calculate the sum of all the values of Heaviside
%skyhawk
sum_H=0;
for i=1:M
% fprintf('%d/%d\n',i,M);
for j=i+1:M
d=norm((X(:,i)-X(:,j)),inf);%calculat the distances of each two points in
matris M with sup-norm
sita=heaviside(r,d);%calculate the value of the heaviside function
sum_H=sum_H+sita;
end
end
C_I=2*sum_H/(M*(M-1));%the value of correlation integral
无水1324 发布于2007-08-03 20:35:01
感谢octopussheng的总结！
这是现有的方法的一个总结，不知道你对这些方法有些什么体会，或者说他们的局限，现在还有作这方面的改进的吗？
先总结总结，具体的比较会逐步贴出来的，而且这也需要大家的一起努力啊！
光是我在这里说，也只是我自己的一点体会，希望用过这些方法的一起来参与这个总结工作！以上的各种方法在实际应用的时候要根据具体情况来选择。

一般地，如果已知系统方程（当然系统不能太过复杂）时，则计算Lyapunov 指数采用定义法、Jacobian方法要精确、简单些！
而如果系统方程比较复杂（如超维系统）、或者为一时间序列时，则推荐采样Wolf方法、小数据量方法。

Wolf方法的特点是时间序列无噪声，空间中小向量的演变高度非线性，而Jacobian方法则是噪声大，空间中小向量的演变接近线性。

小数据量方法的优点在于：（1）对小数据组的计算可靠；（2）计算量较小，比wolf方法快很多；（3）编程、操作较为容易。

而关于时间延迟、嵌入维数、平均周期的确定，还是推荐C－C方法和G－P算法，结果更为可靠一些！
你这已经做得很好了。

这个具体的应用我也是做得很少的,还有请注意一下matlab 版中的一个帖子, 早就注意了，我这里面一些代码就是从那边套用的！
试过了吗？都没有问题吧计算起来，原来论坛里面一些程序不能运行,套用，那你就要注意，在这里重写就要有我们的特色。

不能够是简单的重请详细读帖子，上面有说明,当然不是简单的重复啦，我这里是理论结合实践，呵呵！
程序都测试能算的，不过对不同的系统，精度不敢保证的太高,呵呵，只要能运行就可以参照自己来编写精度可以根据自己需要来选择
呵呵，确实，保证能够使用！希望这样总结一下对大家有所帮助吧！
非常有价值。

谢谢！。