诱致的解映射

深度学习中的各种不变性 不变性:指的是即使目标外观发生了某种变化(平移、旋转、尺度缩放、光照变化等),依然可以将它识别出来。不变性对于图像分类来说是一种很好的特性,因为我们希望图像中的目标无论是发生平移、旋转、缩放,还是在不同的光照条件或视角下,都可以被成功地识别出来。 阅读详情

诱致在我理解当中是诱导,推导的意思,即通过某个映射推导出了另一个映射
C ∈ X C\in X C∈X 一般 X = R k X=R^k X=Rk,C是某个博弈方混合策略的单纯形或者该博弈的混合策略集合; ξ ( t , x 0 ) \xi(t,x^0) ξ(t,x0)为微分方程经过 x 0 x^0 x0的解; T ( x 0 ) ⊂ R T(x^0)\subset R T(x0)⊂R为通过 x 0 x^0 x0的解得到的定义的开时间区间。
对于所有的 t ∈ T ( x 0 ) t \in T(x^0) t∈T(x0)总有 x 0 ∈ C x^0\in C x0∈C和 ξ ( t , x 0 ) ∈ C \xi (t,x^0)\in C ξ(t,x0)∈C,且 ξ ( t , x 0 ) \xi(t,x^0) ξ(t,x0)是全局的。

命题 6.1 解映射满足的条件

假设 x ⊂ X x\subset X x⊂X开的, ϕ : X → R k \phi:X\rightarrow R^k ϕ:X→Rk是里普菲茨连续的,C是X的一个紧子集使得 ξ ( t , x 0 ) ∈ C \xi(t,x^0)\in C ξ(t,x0)∈C对所有 x 0 ∈ C x^0\in C x0∈C和 t ∈ T ( x 0 ) t\in T(x^0) t∈T(x0)都成立,那么引致的解映射 ξ : R × C → C \xi:R \times C\rightarrow C ξ:R×C→C满足以下三个条件:
{ ξ ( 0 , x ) = x , ∀ x ∈ C ( 6.5 ) ξ [ t , ξ ( s , x ) ] = ξ ( t + s , x ) , ∀ x ∈ C , ∀ s , t ∈ R ( 6.6 ) ξ 连续( 6.7 ) \begin{cases} \xi(0,x)=x,\forall x\in C (6.5)\\ \xi[t,\xi(s,x)]=\xi(t+s,x),\forall x\in C,\forall s,t\in R(6.6)\\ \xi 连续(6.7) \end{cases} ⎩ ⎨ ⎧​ξ(0,x)=x,∀x∈C(6.5)ξ[t,ξ(s,x)]=ξ(t+s,x),∀x∈C,∀s,t∈R(6.6)ξ连续(6.7)​
(6.5)说明,t=0时刻之后的状态等于初始状态
(6.6)说明, ξ \xi ξ经由s个时间后达到的状态,在此状态下经由t个时间单位达到的状态==经由t+s个时间单位达到的状态。
(6.6)说明,从任何固定时间t来看,通过 x 0 x^0 x0附近的任何初始状态 y 0 y^0 y0的解轨迹经过 x 0 x^0 x0的解轨迹。

令 D = ( R , C , ξ ) D=(R,C,\xi) D=(R,C,ξ)是状态空间C上的一个动力系统,关键概念有如下几个:

轨迹

通过状态 x 0 x^0 x0的解是 ξ ( ⋅ , x 0 ) \xi(·,x^0) ξ(⋅,x0)的图,可表示为
τ ( x 0 ) = { ( t , x ) ∈ R × C : x = ξ ( t , x 0 ) } \tau(x^0)=\{(t,x)\in R \times C:x=\xi(t,x^0)\} τ(x0)={(t,x)∈R×C:x=ξ(t,x0)}
解映射在整个时间坐标下的像:
γ ( x 0 ) = { 对某个 t ∈ R , x ∈ C : x = ξ ( t , x 0 ) } \gamma(x^0)=\{对某个t\in R,x\in C:x=\xi(t,x^0)\} γ(x0)={对某个t∈R,x∈C:x=ξ(t,x0)}
γ ( x 0 ) \gamma(x^0) γ(x0)是 τ ( x 0 ) \tau(x^0) τ(x0)到状态空间C的投影,是对整个时间坐标取状态空间的值。
解映射下非负时间轴的像:
γ + ( x 0 ) = { 对某个 t > 0 , x ∈ C : x = ξ ( t , x 0 ) } \gamma^{+}(x^0)=\{对某个t>0,x\in C:x=\xi(t,x^0)\} γ+(x0)={对某个t>0,x∈C:x=ξ(t,x0)}
存在子集 A ∈ C A\in C A∈C,集合 γ + ( A ) \gamma^{+}(A) γ+(A)被定义为满足 x 0 ∈ A x^0\in A x0∈A的所有准轨迹 γ + ( x 0 ) \gamma^{+}(x^0) γ+(x0)的并。
轨迹 γ \gamma γ+时间变量 t t t=解 ξ \xi ξ

集合的不变性与前向不变性

在这里插入图片描述
有个比较好理解的例子就是,一个小球放在圆锥里面,若给小球一个初速度,小球就会运动起来,运动轨迹唯一,最终停留在圆锥顶点处。圆锥就可以理解为一个前向不变集合,初速度就是流的大小和方向 ϕ ( x ) \phi(x) ϕ(x),运动轨迹就是 γ ( x 0 ) \gamma(x^0) γ(x0),最终的红点就是稳态。
在这里插入图片描述
此处转自https://blog.youkuaiyun.com/XSTX1996/article/details/82079317

稳态

在这里插入图片描述
稳态就是对于实数范围内的任意时刻t都是同一个状态,也就是说状态不变,流没有大小和方向,这样状态子集是一个不变单点集, γ ( x ) \gamma(x) γ(x)是一个单点集。(轨迹的集合就是状态子集A)

命题6.3 极限状态的稳态

如果 x , y ∈ C x,y \in C x,y∈C,并且 l i m t → ∞ ξ ( t , x ) = y lim_{t\rightarrow \infty}\xi(t,x)=y limt→∞​ξ(t,x)=y,那么y是稳态。

稳定性

单个状态的Lyapunovn稳定和渐进稳定

在这里插入图片描述
命题 6.4 如果一个状态时lyapunovn稳定的,那么它是稳态的

集合的两个稳定

在这里插入图片描述
单点引申到集合有如下三个概念需注意

在这里插入图片描述

吸引域

在这里插入图片描述
吸引子就相当于一个黑洞,某一个点 x 0 x^0 x0的轨迹绕着黑洞在转,最终趋向于集合A,这样点的集合称为A的吸引域。

本文参考《演化博弈论》乔根·W·布威尔 [著]

吸引域matlab代码-find-DOA:基于Python的非线性动力系统吸引力估计域 吸引域matlab代码使用有限时间李雅普诺夫函数 (FTLF) 估计吸引域 (DOA) 要开始检查文件toggle_DOA.m 。 此 MATLAB 脚本估计拨动开关动态模型的吸引域。 它通过分析计算所有平衡点的 Lyapunov 函数来计算 DOA。 Lyapunov 函数是使用 FTLF 理论解析构建的,如下文所述。 此代码生成以下论文中的所有图形: Pandey、Ayush 和 Aaron D. Ames。 “关于有限时间李雅普诺夫函数的逆定理来估计吸引域。” 2020 年美国控制会议 (ACC)。 IEEE,2020 年。 如果您有任何问题,请联系 caltech dot edu 的 apandey。 立即下载

相关推荐

有关吸引域的几个探讨

有关吸引域的几个探讨有关吸引域的几个探讨有关吸引域的几个探讨有关吸引域的几个探讨

基于控制障碍函数(Control Barrier Function)的二次规划(QP)控制

在控制系统的研究中,如何确保系统安全运行并实现特定控制目标一直是关键问题。Ames等人2017年发表的论文“Control Barrier Function Based Quadratic Programs for Safety Critical Systems”,深入探讨基于控制障碍函数的二次规划控制方法。

m0_49842530的博客 3199

一类非线性切换系统吸引域的估计

一类非线性切换系统吸引域的估计

控制屏障函数详细解读

首先,对于一个定义在上的连续可微函数,定义一个与相关的集合。集合是这么定义的:我们先看一个集合里面的“上水平集”定义:上水平集(super-level set):给定一个函数(其中是函数的定义域,通常是欧几里得空间的子集 ),对于某个实数,函数关于的定义为:用大白话讲就是 在函数的定义域里,所有能让函数值 “大于等于” 的自变量,凑在一起构成的集合,就叫关于的上水平集。因此,我们在上面定义了一个与相关的上水平集合。为什么要定义上水平集C?

bulletstart的博客 1865

19-5 ACC 自适应巡航控制系统需求

本专题由深圳季连AIgraphX李博及团队出品,主要讲解ACC自适应巡航控制系统的开发与仿真测试。具体说来,包括ACC标准/法规分析、系统需求、系统架构、软件需求、软件架构、算法建模、验证场景分析、仿真实验搭建等内容。 本节主要讲ACC系统需求。

AIgraphX 1090

PyQt5 + HFSS:给你的仿真脚本做个专属GUI界面(零基础搭建指南)

本文详细介绍了如何使用PyQt5为HFSS仿真脚本创建专属GUI界面,适合零基础用户快速上手。通过Python二次开发,实现参数可视化调整、进度实时监控等功能,大幅提升团队协作效率。文章涵盖环境配置、界面设计、HFSS集成到打包部署的全流程,是仿真工程师提升工作效率的实用指南。

weixin_42535720的博客 185

集合的不可变性:深入理解Java中的不可变集合

不可变集合是创建后不能被修改的集合。在Java中,不可变集合具有线程安全、安全共享等优点,适用于多线程环境和需要防止集合被外部修改的场景。本文将深入探讨不可变集合的概念、实现和使用场景,并提供详细的代码示例。

哎 你看的博客 834

赛灵思KV260视觉AI套件实战:从模型到边缘部署全流程解析

边缘计算与AI推理加速是当前嵌入式系统和物联网领域的关键技术。其核心原理在于将计算任务从云端下沉至网络边缘的设备端,通过专用硬件加速器(如FPGA、ASIC或NPU)执行神经网络推理,从而显著降低延迟、减少带宽消耗并提升数据隐私性。这一技术为实时性要求高的应用场景(如工业视觉检测、智能安防、自动驾驶等)提供了关键支撑。以赛灵思(Xilinx)的Zynq UltraScale+ MPSoC平台为例,其集成了ARM处理器与可编程逻辑,通过预置的深度学习处理器单元(DPU)为卷积神经网络提供高效INT8加速。开发

weixin_28719225的博客 326

不变的集合(特殊的集合一种)

如果对象可以改变其状态,就很难在多个同时运行的任务中使用。这些集合必须同步。如果对象不能改变其状态,就很容易在多个线程中使用。不能改变的对象称为不变的对象。不能改变的集合称为不变的集合。 只读集合和不可变集合,它们有一个很大的差别:只读集合利用可变集合的接口。使用这个接口,不能改变集合。然而,如果有人仍然引用可变的集合,它就仍然可以改变。对于不可变的集合,没有人可以改变这个集合。 Immuta...

singhwong 659

PLC凸轮开关指令编程应用——控制算法

凸轮开关指令的作用是在PLC程序中根据凸轮开关(Cam Switch)的状态执行不同的操作。凸轮开关通常是机械式的开关装置,它的位置会随着机械运动的变化而改变。凸轮开关的状态可以用来检测机器的位置、角度或其他相关信息,从而触发相应的控制动作。总结起来,凸轮开关指令是PLC编程中常用的一种控制算法,通过检测凸轮开关的状态来触发相应的操作。本文将介绍凸轮开关指令的应用和相应的控制算法,并提供相关的源代码示例。在这个示例中,凸轮开关状态的值代表不同的位置,根据凸轮开关状态的不同,执行相应的动作。

LiJavascript的博客 1035

MicroCap声学仿真介绍(三)-人耳的频率响应

这里需要注意的是,24mm我们会填为”24m”,这里的“m”是毫的意思,24m意思是24e-3,同理7.4mm我们可以填为7.4m,意思是7.4e-3。MicroCap声学库中,已内置“声源”模块和“管”模块,我们需要调用这两个模块,并用连接线将这两个模块连接到一起,完成仿真工作。上图中第一个图是在管的一端输入1Pa(94dBSPL)的信号,管的另一端的不同频率的声压大小的仿真结果。上述的结果跟我们的常识也是符合的。换言之,我们要仿真的目的是在管的一端加1pa的声压时,管的另一端不同频率下的声压分布。

山无忧的博客 1471

每日一问:集合元素如何保证不变性

HashMap<String, String> map = new HashMap<>(); map.put("1","2"); Map<String, String> stringMap = Collections.unmodifiableMap(map); System.out.println(stringMap.get("1")); stringMap.put("1","3"); ...

test1_12的博客 229

Hermes 教程 03:Skills 系统

摘要:Hermes Skills是一种自我改进机制,可将解决问题的经验保存为可复用技能文档。v0.13.0版本遵循agentskills.io开放标准,与Claude Skills互通。技能创建流程包括发现问题、创建技能文件、加载使用和优化更新四个阶段。系统提供技能检索和自维护机制(Curator),支持技能媒体路由和多种管理命令。内置技能涵盖开发调试、创意头脑风暴等场景,通过积累技能使Hermes更适应用户需求。

程序猿_三产 732

16QAM解映射

一、

yundanfengqing_nuc的专栏 2万+

YOLO系列专栏(六):YOLO26热力图可视化 | 解析模型推理逻辑,定位检测关键区域

YOLO26作为新一代目标检测模型,其核心优势是高效的特征提取和精准的目标定位,但模型内部的推理过程的“黑盒”特性,给我们的优化带来了很大困扰:❌ 检测精度低:不知道是模型没学到关键特征,还是特征提取不充分;❌ 出现误检/漏检:无法定位问题根源——是锚框不合适?还是特征图未捕捉到目标?❌ 模型优化盲目:调参、修改网络结构全靠“猜”,缺乏针对性;❌ 难以解释模型行为:实际项目中,需要说明模型“为什么检测到这个目标”,尤其是医疗、工业等对可解释性要求高的场景。而热力图可视化。

qq_36130719的博客 732

小孙学变频学习笔记(二)变频器的逆变电路

本文主要介绍了变频器中逆变电路的核心器件IGBT及其应用。IGBT是一种电压控制型三端半导体开关器件,具有开关频率高、功耗低的优点,在变频器中仅使用截止和饱和导通状态。文章详细分析了IGBT的结构特性、与晶闸管的区别,以及由四个IGBT组成的直流转交流逆变电路原理。重点阐述了IGBT并联反向二极管的作用:提供电流反向通路、避免反向电压损坏器件、提高开关效率等。最后提供了相关学习参考网址供读者进一步研究。

qq_43091070的博客 1196

OpenCL 映射和解映射

1.主机使用函数clSetKernelArg将内存对象发送给设备,完成设备到主机的数据传输最为简单的函数是调用函数clEnqueueReadBuffer。每个函数都包含一个名为blocking的布尔型变量,如果它的值为CL_TRUE,这个函数在完成读写操作之前都不会返回。如果它的值为CL_FALSE,这个函数将入列读写命令,但是不会等到整个数据传输操作结束之后才返回。 2.offset参数表示的是...

INFINALGEORGE的博客 1900

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

Lasalle不变集原理

非线性控制—Lasalle不变集原理

YKQCC的博客 4552

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过,这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后,重新检测通过。

qpsk的映射过程_FPGA数字信号处理(28)QPSK星座映射与解映射

QPSK星座映射星座图映射是指按一定规则(PSK或QAM)将输入比特对应到I/Q坐标系中的复数点。复数点越多,则频谱效率越高,抗噪声能力越强。我们都知道QPSK调制每个符号有2-bits,用4种不同相位的载波分别表示00、01、10和11。QPSK星座映射是指将4种不同相位的载波信号用I路和Q路两条支路表示。有两种映射方式,一种用0、π/2、π、3π/2四个相位,另一种用π/4、3π/4、5π/4...

weixin_39841136的博客 2209

深度学习中不变性是什么?平移不变性Translation Invariance、旋转/视角不变性Ratation/Viewpoint Invariance、尺度不变性Size、Illumination

文章目录不变性定义不变性分类为什么卷积神经网络具有平移不变性 不变性定义 意味着即使目标的外观发生了某种变化,但是你依然可以把它识别出来。这对图像分类来说是一种很好的特性,因为我们希望图像中目标无论是被平移,被旋转,还是被缩放,甚至是不同的光照条件、视角,都可以被成功地识别出来。 不变性分类 平移不变性:Translation Invariance 旋转/视角不变性:Ratation/Viewp...

Dontla的博客 7223

LBP特征学习及实现

老外的原文:《Multiresolution gray-scale and rotation invariant texture classification with local binary patterns》 Timo Ojala, Matti PietikaÈ inen,2002   本文将对这篇文章做部分翻译,最后将分别给出下列代码实现 。灰度不变性LBP( gray scale i

Where there is life, there is hope 2万+

深入理解最大池化为什么能够实现不变性?

池化层主要有两个作用 invariance(不变性),这种不变性包括translation(平移),rotation(旋转),scale(尺度) 保留主要的特征同时减少参数(降维,效果类似PCA)和计算量,防止过拟合,提高模型泛化能力 (1) translation invariance(平移不变性): 这里举一个直观的例子(数字识别),假设有一个16x16的图片,里面有个数字1,我们需要识别出来,这个数字1可能写的偏左一点(图1),这个数字1可能偏右一点(图2),图1到图2相当于向右平移了一个单位,但是

奋斗の博客 5037

正不变集(Positive invariant set)的形象理解

给定一个动态系统: 设:系统运动轨迹为,其中是初始点。 假设存在一个集合,其中 是一个实函数。 如果集合满足:初始点,且对于有。则称集合是一个正不变集。 形象的理解如下图所示: 圆锥是个正不变集,圆球是一个有初速度的运动体,球的轨迹始终会在圆锥内,圆锥是个正不变集。 个人理解,有哪里不对的地方感谢指出。   close all; clear; clc; [xS, yS, zS...

XSTX1996的博客 1万+

非线性控制1.2——LaSalle不变集原理

一、LaSalle不变集原理与渐近稳定 1. 不变集的定义 (1)如果系统从点x出发,那么系统未来的状态位置一直保持不变,一直待在出发点x,那么出发点x就叫做系统的不变点。 (2)如果系统从某个区域内或者曲线出发上,例如以0为原点的半径为r的圆的区域或者有限环,系统的未来状态位置会一直待在该区域内(半径为r的圆内)或者曲线上,那么这个区域就叫做不变区。 (3)所有这些不变点或者不变区域组成的集合,就叫做该系统的不变集。 2. LaSalle不变集原理 拉萨尔不变集原理(Local Invaria

jinpeng_cumt的博客 1万+

不可变集合

副作用会让代码的易懂性和正确性打折扣。用于转变全局或静态变量的方法就有副作用。用于转变其部分参数的方法也有副作用。必须通读有副作用的所有调用方法的代码,才能理解一段代码。若有多个线程,必须执行线程同步,才能正确执行有副作用的方法。 如果编写的方法没有副作用,情况又如何? 代码什么样?该如何执行? 若要回答这些问题,可以让实例不可变,这样就不会有副作用了。 通常,

dotNET跨平台 1万+
上一篇: 微分方程和向量场
下一篇: lyapunov直接法
luyi12138
博客等级 码龄7年 53粉丝 16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
 
 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