利用Matlab绘制非线性系统相图:从理论到实践

如何画matlab的相图 h=streamslicetitle('相图')` 阅读详情

1. 相图:非线性系统的“心电图”

大家好,我是老张,在控制系统和动力学分析这块摸爬滚打了十几年。今天想和大家聊聊一个特别有用的工具——相图。很多刚接触非线性系统的朋友,一看到复杂的微分方程就头疼,感觉无从下手。其实,相图就像给一个复杂的动态系统拍了一张“全身X光片”,或者说是它的“心电图”。它不直接告诉你系统在某个时间点具体在哪,而是用一种非常直观的方式,描绘出系统所有可能的运动轨迹(也就是状态)在状态空间里的整体“肖像”。

想象一下,你研究一个单摆。你可以记录它每个时刻的角度和角速度,画出一堆随时间变化的曲线。但如果你把角度作为横坐标,角速度作为纵坐标,把不同初始条件下单摆的运动轨迹都画在这个平面上,你会得到一系列闭合或螺旋的曲线。这张图就是相图。它一下子就把单摆所有可能的运动模式(来回摆动、旋转)都展示出来了,比看一堆时间曲线清晰多了。对于更复杂的非线性系统,比如 predator-prey(捕食者-猎物)模型、各种振荡电路,相图能帮你一眼看出系统有没有稳定的平衡点(最终会停在哪)、有没有周期性的极限环(一直循环运动)、或者是不是会发散到无穷远(系统失控了)。这个从整体和几何角度理解系统行为的方法,就是相平面分析。

而Matlab,正是我们绘制这张“心电图”的绝佳工具。它强大的数值计算和图形化能力,能把我们从繁琐的数学推导和编程中解放出来,让我们能更专注于对系统本身行为的洞察。今天,我就带大家从最基础的理论概念出发,手把手用Matlab把非线性系统的相图画出来,并分享一些我实践中总结的“避坑”指南。

2. 理论基础:从方程到状态空间

在动手敲代码之前,我们得先搞清楚手里的“原料”是什么。对于二阶系统,我们通常面对的是一个形如 ẍ = f(x, ẋ) 的二阶非线性微分方程。这里的 x 是系统变量,ẋ 是它的一阶导数(比如速度),ẍ 是二阶导数(加速度),f 是一个非线性函数。

直接处理这个二阶方程画相图有点别扭。相图的横纵坐标需要是两个独立的状态变量。所以,我们第一步要做的是状态空间转换。这是一个标准操作,也非常直观:

  1. 定义状态变量:令 x1 = x(例如,位置),x2 = ẋ(例如,速度)。这样,我们就把一个二阶方程分解成了两个一阶变量。
  2. 构建状态方程:根据原来的二阶方程 ẍ = f(x, ẋ),我们可以写出两个一阶微分方程:
    • ẋ1 = x2 (因为 x1 的导数就是 ẋ,也就是 x2)
    • ẋ2 = f(x1, x2) (这就是原方程右边部分,现在用 x1 和 x2 表示)

写成向量形式就是: [ẋ1; ẋ2] = [x2; f(x1, x2)]

这个向量方程就是系统的状态空间表达式。它描述的是状态向量 [x1; x2] 随时间变化的规律。相图,就是在由 x1 和 x2 张成的平面上,画出这个状态向量随时间演化的轨迹。

举个生活化的例子:研究一辆车的运动。你不仅关心它开了多远(x1),更关心它的速度(x2)。猛踩油门或急刹车(非线性力 f)会影响速度的变化率(ẋ2)。相图就是在一张“位置-速度”地图上,画出这辆车从不同起点、以不同初速出发后,可能走出的所有路线。有的路线可能最终收敛到一个固定的巡航速度(稳定平衡点),有的可能是在某个速度区间来回振荡(极限环)。

3. Matlab实战:

利用Matlab绘制相图解析非线性系统动态特性 本文详细介绍了如何利用Matlab绘制相图来解析非线性系统的动态特性。通过将高阶微分方程转化为一阶方程组,使用ode45等求解器生成相轨迹,并结合实例展示了平衡点、极限环等关键特征的识别方法。文章还提供了处理复杂非线性系统的进阶技巧,包括三维相图绘制和稳定性分析,帮助工程师和科研人员直观理解系统行为。 阅读详情

相关推荐

信号与系统仿真:非线性系统仿真_(1).非线性系统的概述

非线性系统在实际应用中非常广泛,其行为通常比线性系统更为复杂。通过合适的数学模型和仿真工具,我们可以更好地理解和分析非线性系统的特性。非线性系统的仿真不仅有助于理论研究,还可以应用于电子电路、机械系统、生物系统、控制系统和通信系统等领域,为实际问题的解决提供有力支持。面对非线性系统的仿真挑战,选择合适的数值方法和参数优化手段是关键。未来的研究方向将继续探索非线性系统的动力学行为和控制理论,以实现更高效和精确的仿真和应用。

2401_87715305的博客 1258

MATLAB源码:探索非线性系统动力学的相图与分岔图分析

在非线性动力学和系统科学中,相图和分岔图是描述系统状态空间中行为的重要工具。相图通过表示系统状态变量随时间演变的轨迹来揭示系统的动态特性,而分岔图则关注系统在不同参数条件下的稳定性和行为变化,帮助研究者理解系统从稳定到不稳定状态的转变过程。MATLAB(Matrix Laboratory)是一个高效率的数值计算和可视化软件,最初由Cleve Moler教授在1980年代早期开发,用于数值分析的教学和研究。随着版本迭代,其功能逐渐丰富,形成了现在广受欢迎的商业软件。

weixin_31597759的博客 994

Chua振荡器相图的MATLAB开发与实现

Chua振荡器是一种简单的电子电路,可以产生混沌行为。它在1983年由L.O. Chua首次提出,并迅速成为研究混沌理论的重要工具。其历史背景植根于对非线性动力系统行为的探索,特别是混沌现象在物理学和工程学中的应用。Chua振荡器的诞生,为研究者提供了一个实验验证混沌现象的便利平台。MATLAB(Matrix Laboratory的缩写)是美国MathWorks公司开发的一种高性能的数值计算和可视化软件。

weixin_36123300的博客 882

非线性系统simulink相图

三阶非线性系统在simulink中相图绘制,每次改完初值,在matlab界面用plot命令和hold on命令

记一次在JAVA中客户端使用axis调用webservice服务端出现的异常:Unmarshalling Error: For input string: ""

在使axis调用webservice服务端,参照网上给的demo: Call call = (Call) service.createCall(); call.setTargetEndpointAddress(endpoint);//设置服务请求路径 QName qn = new QName(name); call.setOperationName(qn); call.addParamet

kry1201的专栏 8087

并网逆变器学习笔记5---三电平DPWM

三电平DPWM

圆桌骑士的博客 1万+

深入理解搜索引擎——搜索评价指标

    搜索引擎,在做好query理解、索引召回以及排序模型之后,就能直接推上线了吗?答案是否定的,还需对其性能和质量进行评测。性能无非是对时间和空间的运行效率作评测,不细讲,今天讲讲搜索引擎的质量评测。通过质量评测,可根据评测结果不断的进行改进和研究,也可以验证搜索引擎在真实环境中运行时的实际效果。因此,搜索引擎的质量评测对于整个系统的研制和发展是至关重要的。     那么有哪些指标可以评估搜索引擎的结果质量呢?最广为人知的

我是药老的博客 4486

系统盘被 1Panel 撑爆了?一键脚本 3 分钟搞定无损迁移!(1Panel如何快速无损的修改安装目录)

很多用户因默认安装导致 1Panel 面板占满系统盘 😱,本文详解了为何常规快照迁移会失效,并提供了通过**一键自动化脚本**实现无损迁移的完美方案 🛠️。无论你是 NAS 用户还是服务器管理员,都能找到安全扩容的最佳实践。

XiaoqiangClub的博客 1283

innovus:insert Power Switch失败,报告not covered by a row问题解析

这个问题就是switch找不到可以放置的row,分析就从两方面入手,一方面从voltage area下手,一方面从row和site入手。检查发现voltage area设置正确,row也存在,只不过lef里缺少对应switch的双倍高的site。更多学习内容请关注「拾陆楼」知识星球。

m0_61544122的博客 1159

Matlab在线性代数中的应用(一):向量组的线性相关性

求列向量组A的一个最大线性无关组可用命令rref(A)将A化成行最简形,其中单位向量对应的列向量即为最大线性无关组所含向量,其它列向量的坐标即为其对应向量用最大线性无关组线性表示的系数。 01 — 例1 求下列矩阵列向量组的一个最大无关组。 解:编写脚本文件如下: >>format rat a=[1,-2,-1,0,2;-2,4,2,6,-6;2,-1,0,2,3;3,3,3,3,4]; b=rref(a) 求得: b...

wenyusuran的专栏 3237

[明道云] -基础教学5- 明道云 40 种控件详解与场景解析

明道云工作表提供40种业务控件,涵盖文本、数值、关联、公式等类型,支持各类业务场景。文本类支持多行输入、正则校验;数值/金额类提供进度条、百分比显示等功能;关联类实现多表数据引用;公式/函数类支持复杂逻辑运算;自动化类包括打印模板、API调用等控件。合理使用这些控件可提升数据收集质量和自动化效率,同时需注意控件联动的性能影响和权限配置。关键控件包括关联记录、级联选择、公式计算等,适用于订单管理、客户信息关联等业务场景。

每日出拳老爷子的博客 8545

使用 Azure DevSecOps 和 AIOps 构建可扩展且安全的多区域金融科技 SaaS 平台

这家虚构的金融科技 SaaS 组织在 Microsoft Azure 上构建了一个现代化的多区域架构,以实现高可用性、主动安全性和简化的 DevSecOps 工作流。如果您是 DevOps 从业者、SRE 专业人士或致力于创建弹性、可扩展且安全的金融科技解决方案的技术领导者,您将从中获得可直接应用于您自身项目的见解和经验教训。与大多数快速扩张的金融科技公司一样,他们需要确保不间断的正常运行时间、坚不可摧的安全性以及快速的功能交付,以满足全球用户群的需求。即使是短暂的中断也会损害用户的信心和忠诚度。

介绍AWS Azure GCP devops Terraform 等技术 1300

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android:LinePhone3.2.7(最新版本),官网地址:http://www.linphone.org/

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

上一篇: 最优化方法_罚函数法实战解析
下一篇: [技术解析]BEVFusion——统一BEV空间下的多传感器融合效率优化实践
yhn456789
博客等级 码龄1天 0粉丝 1607原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址