复动力系统 | 混沌 | Lozi 映射吸引子的可视化与交互式探索

简介: 该文介绍了一篇关于Lozi映射吸引子可视化和交互式探索的文章。Lozi映射是混沌理论中的一个模型,展示非线性动力系统的复杂性。通过Python和matplotlib,作者实现了Lozi映射的可视化,并添加交互功能,允许用户缩放以详细观察混沌吸引子。文中还给出了Lozi映射的数学定义,并提供了Python代码示例,演示如何绘制和动态调整吸引子的显示。

改文章是我在2014年发布在某sdn的,搬运过来


Lozi 映射吸引子的可视化与交互式探索

引言

混沌理论是现代科学的一个迷人分支,它揭示了简单规则下系统行为的复杂性和不可预测性。Lozi映射作为混沌理论中的一个重要模型,展示了非线性动力学系统的奇异吸引子特性。本文将通过Python编程,结合matplotlib库,实现Lozi映射吸引子的可视化,并加入用户交互功能,使得读者能够通过放大和缩小操作,更直观地探索混沌吸引子的细节。

Lozi 映射简介

Lozi映射是由法国数学家Rene Lozi于1978年提出的,作为Logistic映射和Hénon映射的简化版本,它同样展示出了混沌行为。该映射由两个非线性差分方程定义,形式如下:

[ \begin{align*} x_{n+1} & = 1 - ax_n + y_n \ y_{n+1} & = bx_n \end{align*} ]

其中,𝑎a𝑏b 是控制参数,影响着系统的行为。为了观察混沌吸引子,通常选择参数 𝑎=1.7a=1.7𝑏=0.5b=0.5


image.png


Python 实现

首先,我们需要导入必要的Python库,包括numpy用于数值计算,以及matplotlib用于绘图。




# -*- coding: utf-8 -*-
 
#需要安装matplotlib、numpy等库才能运行
import numpy as np
import pylab as pl
import time
from matplotlib import cm
 
def iter_point2(x,y):
    #初始化公式的参数,需要改的话,可以改参数
    a = 1
    b = 1.75
    iter = 0 #初始化迭代次数
    for i in xrange(1, 10):
        iter = i
        dist = (x*x + y*y)  #计算摸长,看是否超过最大限度
        dist *= dist
        #print "dist:" + str(dist)
        if  dist > 200:  #如果超出了最大长度,就跳出循环,返回这个迭代次数
            break
        #临时保存一下x和y
        tempx = x
        tempy = y
        #这里是公式 X = a-b|x| + y ; Y = 0.3x;
        x = a - b*abs(tempx) + tempy
        y = 0.3*tempx
    return iter
    
#绘制图形时,以cx,xy为中心,距离为d
def draw_lozi(cx, cy, d):
    size = 400
    x0, x1, y0, y1 = cx-d, cx+d, cy-d, cy+d 
    y, x = np.ogrid[y1:y0:size*1j, x0:x1:size*1j] #使用范围生成数组,后面用这个进行迭代
    c = x + y*1j
    x.shape = -1 #转化成线性数组
    y.shape = -1
 
    start = time.clock()
    lozi = np.ones(c.shape)
    #遍历每一个点,计算迭代次数,赋值给数组lozi
    for j in range(0,size):
        for i in range(0,size):
            lozi[j][i] = iter_point2(x[i],y[j])
            pass
 
    print "time=",time.clock() - start
    #使用数组lozi,绘图, 使用蓝色调色板,显示到图上的坐标范围是x0,x1,y0,y1
    pl.imshow(lozi, cmap=cm.Blues_r, extent=[x0,x1,y0,y1])
    #不显示横纵坐标
    pl.gca().set_axis_off()
    #刷新画布
    pl.show()
    
#鼠标点击触发执行的函数
def on_press(event):
    global g_size
    print event
    print dir(event)
    newx = event.xdata
    newy = event.ydata
    print newx
    print newy
    
    #不合理的鼠标点击,直接返回,不绘制
    if newx == None or newy == None  or event.dblclick == True:
        return None
    #不合理的鼠标点击,直接返回,不绘制
    if event.button == 1:  #button ==1 代表鼠标左键按下, 是放大图像
        g_size /= 2
    elif event.button == 3: #button == 3 代表鼠标右键按下, 是缩小图像
        g_size *= 2
    else:
        return None
    print g_size
    
    draw_lozi(newx,newy,g_size)
fig, ax = pl.subplots(1)
 
g_size = 4.5
 
#注册鼠标事件
fig.canvas.mpl_connect('button_press_event', on_press)
 
#初始绘制一个图
draw_lozi(0,0,g_size)



相关文章
|
算法 C++ 索引
GNURadio+USRP+OFDM实现文件传输(一)
GNURadio+USRP+OFDM实现文件传输(一)
3314 1
|
10月前
|
XML 数据格式 Python
从手动编辑到代码生成:Python 助你高效创建 Word 文档
本文介绍如何用Python实现Word文档自动化生成,结合python-docx、openpyxl和matplotlib库,高效完成报告撰写、数据插入与图表生成,大幅提升办公效率,降低格式错误,实现数据驱动的文档管理。
1309 2
|
人工智能 自然语言处理 搜索推荐
上下文学习的神奇魔法:轻松理解AI如何无师自通
你有没有想过,为什么给GPT几个例子,它就能学会新任务?这就像魔法一样!本文用轻松幽默的方式解密上下文学习的原理,通过「智能客服训练」场景,带你理解AI如何像人类一样从示例中学习,无需额外训练就能掌握新技能。
444 28
|
10月前
|
机器学习/深度学习 人工智能 监控
智能的三重境界:从感知、认知到决策的进化
智能的三重境界:从感知、认知到决策的进化
1193 121
|
SQL 数据可视化 算法
阿里云“山海计划” x Epic Fab: 三维城市“中国风”AIGC
阿里云“山海计划” x Epic Fab: 三维城市“中国风”AIGC
555 0
|
人工智能 算法 芯片
天天都在说的“算力”到底是个啥?一文全讲透!
算力是数字经济发展的重要支撑,尤其在AI和大数据应用中起着关键作用。阿里云致力于构建全球领先的算力基础设施,助力各行业数字化转型。吴泳铭和马云均强调了算力在未来科技竞争中的核心地位。2023年底,我国算力总规模达230EFLOPS,位居全球第二。算力分为通用、智能和超算算力,广泛应用于人工智能训练与推理等场景。中国正加速建设智算中心,推动算力产业链发展,并注重绿色低碳和智能运维,以应对日益增长的计算需求。
27788 19
|
算法 5G Windows
OFDM系统中的信号检测算法分类和详解
参考文献 [1]周健, 张冬. MIMO-OFDM系统中的信号检测算法(I)[J]. 南京工程学院学报(自然科学版), 2010. [2]王华龙.MIMO-OFDM系统传统信号检测算法[J].科技创新与应用,2016(23):63.
591 4
|
传感器 监控 安全
|
算法 调度 C++
【调度算法】共享函数vs拥挤距离
【调度算法】共享函数vs拥挤距离
554 1
|
机器学习/深度学习 人工智能 算法
探索机器学习中的模型融合技术
在机器学习领域,模型融合技术已成为提升预测准确性和增强模型泛化能力的关键手段。本文将深入探讨模型融合的理论基础、实现策略以及实际应用案例,旨在为读者提供一套系统的理解和实践指导。通过分析不同类型的融合方法,包括简易模型平均、加权平均、Stacking、Bagging和Boosting等,文章揭示了模型融合如何有效整合多个模型的信息,减少过拟合风险,以及提高对未知数据的适应能力。