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

从镜头到像素:深入解析Camera、Sensor与V4L2的协同工作流

本文深入解析了摄像头从物理成像到软件控制的完整工作流。详细介绍了镜头、传感器(Sensor)与V4L2框架的协同机制,涵盖光电转换、同步信号、ISP图像处理等核心环节,并通过实战演示了如何使用v4l2-ctl工具进行调试,为嵌入式开发和驱动调试提供系统指南。

weixin_29230805的博客 389

保姆级教程:在Android车机上从零配置USB Gadget,搞定CarPlay有线连接

本文详细介绍了在Android车机上从零配置USB Gadget以实现CarPlay有线连接的完整实践指南。涵盖内核驱动开发、Android系统配置及用户空间通信架构,帮助开发者深入理解USB子系统和iAP2协议栈,实现稳定可靠的CarPlay有线连接功能。

weixin_30621711的博客 472

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

WD西部数据2TB,2.5寸移动硬盘,因为磁头坏了,长时间通电导致划片划伤,维修过程通过反复更换磁头

WD西部数据2TB,2.5寸移动硬盘,因为磁头坏了,长时间通电导致划片划伤,维修过程通过反复更换磁头,才能利用专业设备,里面找到,镜像,把内容数据恢复出来。 1.说一下经历,借用的别人移动硬盘,去帮别人维修,拷数据出来,别人的文件,数据比较多,且复杂,而且是在PE系统,接口什么的是2.0,没有很好的思考就全选复制拷贝了; 2,拷贝的过程,极其慢,文件多,且文件有损坏,移动硬盘一直处于通电的状态,大概从下午,两点多开始100多G的数据,一直卡住,到,晚上7 。8点拷完还是没拷完。打开的时候就已经,就一直

weixin_43766920的博客 4303

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

基于STM32、HAL库的TLV320AIC3204IRHBR音频接口芯片驱动程序设计

* 开启所有数字部分 */#define TLV320AIC3204_REG_LEFT_HEADPHONE_OUT_VOLUME 0x0C /* 左声道耳机输出音量 */#define TLV320AIC3204_REG_DIGITAL_AUDIO_PATH_CONTROL 0x05 /* 数字音频路径控制 */#define TLV320AIC3204_REG_ANALOG_HP_FILTER_CONTROL 0x34 /* 模拟耳机滤波器控制 *//* 最大音量 */

corlin6688的博客 521

【LangChain编程:从入门到实践】实现多模态代理

【LangChain编程:从入门到实践】实现多模态代理 关键词:LangChain, 多模态代理, 自然语言处理, 机器学习, 知识图谱, 对话系统, 代码生成, AI代理 1. 背景介绍 随着人工智

欢迎来到我的优快云空间!这里聚焦AI大模型应用实战,分享前沿技术、实战案例与开发经验。 581

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

vue - 网站接入微信扫码登录功能详细教程,完整详细流程及完整功能示例源代码(附常见问题的解决方案与二维码样式修改方案)

vue.js项目植入微信登录,vue网页项目怎么做微信扫码登录,VUE项目中的微信扫码登录,VUE中最简单的js调用微信扫一扫功能,vue:如何设计网页的微信扫码登录功能,微信扫码功能官方文档,通过vue方式实现二维码扫码功能,vue调用微信扫码,vue H5 调用微信扫描二维码,Vue前端实现微信扫码登录,vue-wxlogin 微信授权登录组件,网站引入的微信登录框如何修改宽高或其他样式,wxlogin 组件插件怎么改变宽高,vue-wxlogin组件怎么自定义样式,微信网页授权,vue调用微信JSDK

✅ 精选推荐文章 6366

16QAM解映射

一、

yundanfengqing_nuc的专栏 2万+

【语音识别】基于MFCC特征实现说话人语音识别matlab源码

1 模型 采用能够反映人对语音的感知特性的Mel频率倒谱系数(MFCC)作为特征参数,以及为避免时间规整问题采用矢量量化技术开发的说话人识别系统.MFCC主要的是模拟人耳的听觉过程,相对于其它参数它对语音波形的变化不敏感,更加稳定,系统取得很好的识别结果,实验表明系统训练和识别的计算量和存储量都比较低. 2 部分代码 functionvarargout=Main(varargin) % MAIN M-file for Main.fig % MAIN, by itself...

qq_59747472的博客 848

LDO的原理及测试方法

这是LM317芯片的核心,这个电路单元称为Bandgap Reference带隙基准源。属于模拟集成电路中的经典电路结构。常见的基本结构利用VBE的负温度系数,而VT是正温度系数,正负温度系数抵消就的得到稳定的基准参考电压了(三极管的方程VBE=VT*In(lC/IS))。

shiwei0813的博客 1157

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

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

Lasalle不变集原理

非线性控制—Lasalle不变集原理

YKQCC的博客 4552

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

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

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...

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