更改

=== 逻辑斯谛映射 ===

=== 逻辑斯谛映射 ===

接下来将采用模型重构的算法来演示如何将计算力学的理论应用于实际案例<ref name=":1">James P. Crutchfield. The Calculi of Emergence: Computation, Dynamics, and Induction. SFI 94-03-016. 1994</ref>，要演示的是混沌动力学中的[[Logistic映射|逻辑斯谛映射]](logistic map)，特别是其周期倍增的混沌路径。用于重建模型的数据流来自逻辑斯谛映射的轨迹，轨迹是通过迭代映射<math>x_{n+1}=f(x_n)</math>生成的，迭代函数为<math>f(x) = rx(1-x)</math>，其中非线性参数<math>\begin{matrix}r&\in&[0,4]\end{matrix}</math>，初始条件<math>x_0\in[0,1]</math>，迭代函数的最大值出现在<math>x_c = \frac12</math>。

接下来将演示如何将计算力学和模型重构算法应用于一个具体的实际案例<ref name=":1">James P. Crutchfield. The Calculi of Emergence: Computation, Dynamics, and Induction. SFI 94-03-016. 1994</ref>。这个案例是混沌动力学中的[[Logistic映射|逻辑斯谛映射]](logistic map)，作者特别展示了算法在周期倍增的混沌路径上的表现。用于重建模型的数据流来自逻辑斯谛映射的轨迹，该轨迹是通过迭代映射<math>x_{n+1}=f(x_n)</math>生成的，迭代函数为<math>f(x) = rx(1-x)</math>，其中非线性参数<math>\begin{matrix}r&\in&[0,4]\end{matrix}</math>，初始条件<math>x_0\in[0,1]</math>，迭代函数的最大值出现在<math>x_c = \frac12</math>。

 

[[文件:逻辑斯谛曲线.jpg|居中|无框|500x500px|替代=]]

[[文件:逻辑斯谛曲线.jpg|居中|无框|500x500px|替代=]]

上图为迭代函数<math>f(x) = rx(1-x)</math>中<math>r</math>与<math>x</math>的关系图，当<math>r＜3.5699...</math>时函数存在倍周期现象，当<math>r＞3.5699...</math>时会出现混沌现象。由于观察者观测的精细程度有限，若要识别混沌中的有序结构，就需要对<math>x</math>进行粗粒化操作，方法是通过二元分割观察轨迹<math>\mathbf{x}=x_0x_1x_2x_3\ldots </math> ，将其转换为离散序列<math>\mathcal{P}=\{x_n\in[0,x_c)\Rightarrow s=0,x_n\in[x_c,1]\Rightarrow s=1\} </math>，这种划分是“生成”的，这意味着足够长的二进制序列来自任意小的初始条件间隔。因此，可以使用粗粒化的观测<math>\mathcal{P} </math>来研究逻辑斯谛映射中的信息处理。

上图为迭代函数<math>f(x) = rx(1-x)</math>中极限状态<math>x</math>与参数<math>r</math>的关系图，当<math>r＜3.5699...</math>时函数存在倍周期现象，当<math>r＞3.5699...</math>时会出现混沌现象。由于观察者观测的精细程度有限，若要识别混沌中的有序结构，就需要对<math>x</math>进行粗粒化操作，方法是通过二元分割观察轨迹<math>\mathbf{x}=x_0x_1x_2x_3\ldots </math> ，将其转换为离散序列<math>\mathcal{P}=\{x_n\in[0,x_c)\Rightarrow s=0,x_n\in[x_c,1]\Rightarrow s=1\} </math>，这种划分是“生成”的，这意味着足够长的二进制序列来自任意小的初始条件间隔。因此，可以使用粗粒化的观测<math>\mathcal{P} </math>来研究逻辑斯谛映射中的信息处理。

=== 统计复杂度-熵率图 ===

=== 统计复杂度-熵率图 ===