[论文解读] Correlations between the Hurst exponent and the maximal Lyapunov exponent for some low-dimensional discrete conservative dynamical systems

Mariusz Tarnopolski|arXiv (Cornell University)|Jan 15, 2015

Chaos control and synchronization被引用 3

一句话总结

本研究揭示了在低维保守映射中，赫斯特指数（HE）与最大李雅普诺夫指数（mLE）之间存在显著相关性（奇里科夫映射的斯皮尔曼等级相关系数 ρ = 0.83，弗罗施尔映射的 ρ = 0.75），表明通过最近邻机器学习算法，mLE可有效预测HE分布，从而实现混沌时间序列趋势的精确重构。

ABSTRACT

The Chirikov standard map and the 2D Froeschl\'e map are investigated. A few thousand values of the Hurst exponent (HE) and the maximal Lyapunov exponent (mLE) are plotted in a mixed space of the nonlinear parameter versus the initial condition. Both characteristic exponents reveal remarkably similar structures in this mixed space. Moreover, a tight correlation between the HEs and mLEs for the two maps was found: $ ho=0.83$ and $ ho=0.75$ for the Chirikov and Froeschl\'e maps, respectively, where $ ho$ is the Spearman rank. Based on this relation, a machine learning (ML) procedure, using the nearest neighbour algorithm, was performed to reproduce the HE distributions based on the mLE distributions. A few thousand HE and mLE values from the mixed spaces were used for training, and then using $2-2.4 imes 10^5$ mLEs, the HEs were retrieved. The ML procedure allowed to reproduce the structure of the mixed spaces in great detail. The HE is proposed as an informative parameter in the area of chaotic control, as it provides expectations about the general trend in a time series.

研究动机与目标

• 研究低维保守动力系统中赫斯特指数（HE）与最大李雅普诺夫指数（mLE）之间的关系。
• 评估mLE是否可作为混沌时间序列分析中HE的预测代理变量。
• 开发并验证一种机器学习框架，能够仅基于mLE数据重构HE分布。
• 评估HE作为混沌控制与动力系统长期趋势预测参数的实用性。

提出的方法

• 在奇里科夫标准映射和二维弗罗施尔映射中，针对不同非线性参数下的数千个初始条件计算了HE与mLE。
• 在结合非线性参数与初始条件的混合参数空间中可视化HE与mLE。
• 通过斯皮尔曼等级相关系数（ρ）量化HE与mLE之间的关系。
• 应用最近邻机器学习算法，基于约3,000个HE与mLE数据对进行训练。
• 利用训练好的模型，基于约200,000个mLE值预测HE值，重构完整的HE分布。
• 通过将预测的HE结构与原始HE分布进行比较，验证重构效果。

实验结果

研究问题

• RQ1 在低维保守映射中，赫斯特指数与最大李雅普诺夫指数之间是否存在显著相关性？
• RQ2 最大李雅普诺夫指数是否可用于预测混沌时间序列中的赫斯特指数？
• RQ3 机器学习在仅使用mLE数据的情况下，能在多大程度上重构HE分布？
• RQ4 赫斯特指数对于理解混沌动力系统中长期趋势的指导意义如何？

主要发现

• 在奇里科夫标准映射中，赫斯特指数与最大李雅普诺夫指数之间发现显著的斯皮尔曼等级相关性（ρ = 0.83）。
• 在二维弗罗施尔映射中观察到较高但略低的相关性（ρ = 0.75）。
• 最近邻机器学习算法成功地以高保真度从mLE数据中重现了HE分布。
• 该模型使用约3,000个训练样本，预测了超过200,000个mLE数据点的HE值。
• 重构的HE结构与原始分布高度吻合，证实了mLE的预测能力。
• 鉴于HE能够指示时间序列的整体趋势，建议其作为混沌控制中的有价值参数。