20.01.2015 Aufrufe

Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse

Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse

Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse

MEHR ANZEIGEN
WENIGER ANZEIGEN

Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.

YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.

Kapitel 1. Grundlagen Seite 17<br />

mit dem Exponenten D 0 als die Dimension des Attraktors, o<strong>der</strong> an<strong>der</strong>s formuliert<br />

D 0 = lim<br />

ε→0<br />

ln(N(ε))<br />

ln(1/ε) . (1.27)<br />

Diese Dimension bezeichnet man als Box-Count<strong>in</strong>g- o<strong>der</strong> auch Kapazitäts-Dimension.<br />

Sie basiert auf den metrischen Eigenschaften des Attraktors. Gerade für chaotische<br />

Attraktoren ist es jedoch typisch, dass bestimmte Bereiche von e<strong>in</strong>er Trajektorie<br />

weit häufiger aufgesucht werden als an<strong>der</strong>e, was durch die Box-Count<strong>in</strong>g-Dimension<br />

nicht berücksichtigt wird. Mathematisch lässt sich dies durch das natürliche Maß<br />

η(N i , T )<br />

µ(N i ) = lim<br />

T →∞ T<br />

(1.28)<br />

beschreiben, wobei η(N i , T ) die Zeitdauer ist, die e<strong>in</strong>e Trajektorie im Zeit<strong>in</strong>tervall<br />

0 ≤ t ≤ T <strong>in</strong> <strong>der</strong> Zelle N i verweilt. Dies kann auch <strong>in</strong>terpretiert werden als die<br />

Wahrsche<strong>in</strong>lichkeit, dass e<strong>in</strong> Punkt <strong>in</strong> <strong>der</strong> Zelle N i liegt. Diese Größe ist fast immer 2<br />

unabhängig vom Startpunkt x 0 . Die Box-Count<strong>in</strong>g-Dimension ist <strong>der</strong> Spezialfall,<br />

wenn alle Zellen <strong>in</strong> etwa das gleiche natürliche Maß besitzen, d.h. wenn für alle i =<br />

1, . . . , N(ε) gilt µ(N i ) ≈ 1/N(ε). Bei chaotischen Attraktoren variiert das natürliche<br />

Maß aber meist stark mit <strong>der</strong> betrachteten Zelle N i , weshalb man bei genügend<br />

kle<strong>in</strong>em ε e<strong>in</strong>en Großteil des natürlichen Maßes <strong>der</strong> Punktmenge mit e<strong>in</strong>em Bruchteil<br />

<strong>der</strong> Zellen N(ε) abdecken kann. Man def<strong>in</strong>iert daher die Informationsdimension<br />

∑ N(ε)<br />

i=1<br />

D 1 = lim<br />

µ(N i) ln µ(N i )<br />

ε→0 ln(ε)<br />

I(ε)<br />

= lim<br />

ε→0 ln(1/ε) , (1.29)<br />

wobei I(ε) = − ∑ N(ε)<br />

i=1 µ(N i) ln µ(N i ) die auf Shannon zurückgehende Information<br />

(auch Informationsentropie) darstellt. Diese ist hier e<strong>in</strong> Maß für die Menge an<br />

Information, die gewonnen wird, wenn die Unterteilung des Systems mit <strong>der</strong> Kantenlänge<br />

ε vorgenommen wird. Die Informationsdimension ergibt sich somit durch<br />

Betrachtung des Verhältnisses von gewonnener Information zur Kantenlänge <strong>der</strong><br />

Unterteilung.<br />

Beide Dimensionsbegriffe können auf die generalisierte Dimension D q von Renyi<br />

zurückgeführt werden die def<strong>in</strong>iert ist durch<br />

( ∑N(ε)<br />

1 ln<br />

D q = lim<br />

ε→0 q − 1 ·<br />

i=1 (µ(N i)) q)<br />

, (1.30)<br />

ln(ε)<br />

2 Dies ist im maßtheoretischen S<strong>in</strong>n zu verstehen: die Menge von Startpunkten von denen das<br />

natürliche Maß abhängt hat Lebesgue-Maß Null.

Hurra! Ihre Datei wurde hochgeladen und ist bereit für die Veröffentlichung.

Erfolgreich gespeichert!

Leider ist etwas schief gelaufen!