Documentos de Académico
Documentos de Profesional
Documentos de Cultura
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de noviembre de 2010, Cuernavaca Morelos, Mxico.
For time series produced by a dynamic system, the presences of positive exponents indicate chaotic behavior. In many applications it is enough only to calculate the largest Lyapunov exponent. A tool designed to calculate Lyapunov exponent, is the Rosensteins algorithm, which is an accurate method because it takes advantage of all available data from the time series. This paper is about estimation of the chaos level in dynamical systems, using the largest Lyapunov exponent as indicator, obtained from time series analysis. This paper was developed under the projects: TIJ-IET-2009-219 and SEP-CONACYT 78880. Keywords: Chaos, Lyapunov exponents, time series, Rosensteins algorithm.
Introduccin
En los 80s surgi un nuevo mtodo de procesamiento de seales basado en la teora matemtica de los sistemas dinmicos no lineales. La cual se basa en la formacin de patrones organizados en el espacio, tiempo o espaciotemporales, en sistemas fsicos, qumicos o biolgicos. Dado este nuevo mtodo de procesamiento de seales, se han desarrollado algoritmos para sistemas dinmicos no lineales, los cuales son aplicados a sistemas biolgicos, notablemente al corazn y al cerebro [1]. En las dcadas anteriores distinguir el caos determinstico del ruido se ha convertido en un importante problema en distintas reas, como la fisiologa y la economa. Esto debido en parte a la disponibilidad de algoritmos numricos para cuantificar caos utilizando series de tiempo experimentales. El algoritmo de Rosenstein es un mtodo para calcular el exponente ms grande de Lyapunov (1) en series de tiempo experimentales. Este algoritmo es preciso debido a que toma todos los datos disponibles de la serie de tiempo, es rpido, y robusto a los cambios en las variables involucradas en el clculo de 1. Adems si uno de los vecinos ms cercanos precede
Pag.
CIINDET 2010
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de octubre de 2010, Cuernavaca Morelos, Mxico (temporalmente) su punto de referencia, entonces, el algoritmo puede ser visto como una propuesta de prediccin. En estos casos, el modelo predictivo es una lnea de retardo simple, la prediccin es la ubicacin del vecino ms cercano, y el error de prediccin es igual a la separacin entre el vecino ms cercano y su punto de referencia [2]. decir que la salida de un sistema es extremadamente sensible a las condiciones inciales. La caracterstica principal del caos es la impredicibilidad de la salida del sistema. Incluso si se tiene un modelo exacto de un sistema no lineal y una computadora extremadamente precisa, la respuesta del sistema a largo plazo no puede ser correctamente predicha. Se debe distinguir el caos del movimiento aleatorio. En un movimiento aleatorio, el modelo del sistema o la entrada presentan incertidumbre y, como resultado, la variacin en el tiempo de la salida no puede ser predicha exactamente (solo se dispondran de mtodos estadsticos). En los movimientos caticos, por otro lado, el problema es determinstico, y solo existe un poco de incertidumbre en el modelo del sistema, la entrada o las condiciones inciales. El fenmeno del caos ocurre mayormente en sistemas no lineales. Esto implica que, para un sistema dado, si la condicin inicial ocasiona que el sistema opere en una regin altamente no lineal, esto aumenta la posibilidad de generar caos.
Hiptesis
Una seal de origen no lineal que encuentre interferencia en su trayectoria, o una seal cualquiera sometida a interferencia no lineal, presentaran alteraciones en el punto de su deteccin, de tal suerte que el resultado es una seal con comportamiento diferente. Donde la seal resultante presentara la caracterstica no lineal, cuya influencia dependern de la cantidad y propiedades de las seales involucradas. Considerando que la seal o interferencia no lineales presenten caos, implica que la seal resultante detectada exhibe comportamiento catico, entonces, de acuerdo con [4], es posible cuantificar el nivel de caos mediante 1, en la seal resultante. Tomando en cuenta lo descrito anteriormente, una seal compuesta por la superposicin en diferentes proporciones, de una funcin sinusoidal y el sistema de Lorenz, encontraramos que la seal menos catica ser cuando predomine la influencia de la funcin sinusoidal y por lo tanto el valor de 1 ser igual o muy cercano a 1 de la funcin sinusoidal, es decir, cero o muy cercano a cero; y la ms catica ser en la que predomine el efecto de la serie de tiempo proporcionada por el sistema de Lorenz, y por lo tanto el valor de 1 ser igual o muy cercano al 1 del sistema, es decir, 1.5 segn [2]. Tambin se pretende encontrar niveles de caos intermedios entre 0 y 1.5 debido a la naturaleza de las seales utilizadas, puesto que en una seal predomina ligeramente la funcin sinusoidal y en otra el sistema de Lorenz.
Exponentes de Lyapunov
El mtodo de los exponentes de Lyapunov de acuerdo a Leigh McCue [4], sirve como una herramienta til para cuantificar el caos. Especficamente, los exponentes de Lyapunov miden las tasas de convergencia y divergencia de las trayectorias cercanas. Los exponentes negativos de Lyapunov indican convergencia, mientras que los exponentes positivos demuestran divergencia y caos. En la Figura 1 se muestra divergencia de dos trayectorias si es observada de izquierda a derecha y la convergencia de las trayectorias si es observada de derecha a izquierda.
Figura 1. Exponentes de Lyapunov, la convergencia de dos trayectorias indica caos en una seal.
Pag.
CIINDET 2010
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de octubre de 2010, Cuernavaca Morelos, Mxico
Fsicamente, el exponente de Lyapunov es una medida de que tan rpido las trayectorias cercanas convergen o divergen. Muchas veces solo el mximo exponente de Lyapunov es discutido ya que el mximo exponente es ms sencillo de calcular en una serie de tiempo numrica y ofrece la mejor visin dentro del sistema dinmico. Sin embargo, para un espacio con dimensin N, existen N exponentes de Lyapunov los cuales forman el espectro de Lyapunov y corresponde a la velocidad de expansin o contraccin de los principales ejes del sistema.
Algoritmo de Rosenstein para el clculo del exponente ms grande de Lyapunov en series de tiempo
Detectar la presencia de caos en un sistema dinmico segn Michael T. Rosenstein [2], es un problema importante que se resuelve calculando el exponente ms grande Lyapunov. Para series de tiempo producidas por un sistema dinmico, la presencia de exponentes positivos indica caos en dicho sistema. Adems, en muchas aplicaciones es suficiente con calcular 1. La presencia de un exponente positivo es suficiente para diagnosticar caos y representa una inestabilidad local en una direccin particular. Para que exista un atractor, la dinmica total debe ser disipativa, esto es, globalmente estable y la velocidad total de contraccin debe superar la velocidad total de expansin. As, aun aunque haya muchos exponentes de Lyapunov positivos, la suma a travs de todo el espectro es negativa. Cuando el atractor es catico, las trayectorias divergen, en promedio, a una velocidad exponencial caracterizada por el exponente ms grande de Lyapunov. Este concepto se generaliza tambin para el espectro de los exponentes de Lyapunov, 1(i = 1, 2, ..., n), considerando una pequea esfera n-dimensional de condiciones inciales, donde n es el numero de ecuaciones utilizados para describir el sistema. A medida que el tiempo progresa, la esfera evoluciona a un elipsoide cuyos principales ejes se expanden (o contraen) a la velocidad dada por los exponentes de Lyapunov. El espectro de Lyapunov, lo explican Wolf et al [6], mediante la siguiente interpretacin geomtrica: Primero, ordene los n principales ejes del elipsoide desde el que se expande ms rpido hasta el que se contrae ms rpido. Lo cual dar como resultado que los exponentes de Lyapunov se acomodaran como se muestra en (1). 1 2 ... n (1)
donde 1 y n corresponde a los ejes principales de expansin y contraccin ms rpida respectivamente. As, el espectro de Lyapunov puede ser definido como el crecimiento exponencial de un elemento de volumen k esta dado por la suma de los k ms grandes exponentes de Lyapunov.
Pag.
CIINDET 2010
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de octubre de 2010, Cuernavaca Morelos, Mxico Cuando se disponen de las ecuaciones que describen un sistema dinmico, se puede calcular todo el espectro de Lyapunov. En herramientas experimentales, sin embargo, las ecuaciones de movimiento son normalmente desconocidas. Adems, los datos experimentales muchas veces consisten en series de tiempo de un solo observador y se deben emplear tcnicas para la reconstruccin de atractores, como el mtodo de retrasos. No se puede calcular todo el espectro de Lyapunov eligiendo direcciones arbitrarias para medir las condiciones inciales cercanas. Se debe medir la separacin a travs de las direcciones de Lyapunov las cuales corresponden a los ejes principales del elipsoide previamente considerado. Si se asume que existe una medida ergdica del sistema, entonces el teorema ergdico multiplicativo de Oseledec justifica el uso de direcciones arbitrarias de espacio fase cuando se calcula el exponente ms grande de Lyapunov con sistemas dinmicos suaves. Se puede esperar (con probabilidad de 1) que dos condiciones inciales elegidas aleatoriamente divergirn exponencialmente a un ritmo dado por el exponente ms grande de Lyapunov. As, el exponente ms grande Lyapunov puede ser definido utilizando (2) donde d(t) es la divergencia promedio en un tiempo t y C es la constante que normaliza la separacin inicial. d(t) = Ce1t (2)
M=N-(m1)J
(5)
El resto del algoritmo procede de la siguiente forma. De la definicin de 1 dada en (2) se asume que los j pares de los vecinos ms cercanos divergen aproximadamente a la velocidad dada por el exponente ms grande de Lyapunov tal y como se muestra en (6). dj (i) Cje1(it) (6)
donde Cj es la separacin inicial. Aplicando un logaritmo a ambos lados de la ecuacin, se obtiene (7). ln dj (i) lnCj + 1( i t ) (7)
La ecuacin (7) representa un grupo de lneas aproximadamente paralelas (para j = 1, 2, ..., M ), cada una con una pendiente aproximadamente proporcional a 1. El exponente ms grande de Lyapunov es calculado con precisin realizando un ajuste por medio del mtodo de mnimos cuadrados para el promedio de la lnea definida por (8). y(i) =(1/t) * ln dj(i) (8)
El primer paso del algoritmo incluye la reconstruccin de un atractor dinmico desde una sola serie de tiempo. Se utilizo el mtodo de retrasos. La trayectoria reconstruida, X, se puede expresar como una matriz donde cada fila es un vector de espacio-fase. Como se muestra en (3). X=[X X... XM]T (3)
Donde Xi es el estado del sistema en un tiempo discreto i. Para una serie de tiempo de N-puntos, [x, x, ..., xn], cada Xi est dada por (4). Xi = [ xi xi+J ... xi+(m-1)J ] (4)
donde t es el periodo de muestreo de la serie de tiempo y .. denota el promedio total de todos los valores de j. Este proceso de promediar es la llave para calcular valores precisos de 1 utilizando pequeos grupos de datos ruidosos. Note que en (6) Cj realiza la funcin de normalizar la separacin de los vecinos ms cercanos, pero como se muestra en (7), esta normalizacin es innecesaria para estimar 1. Los exponentes de Lyapunov son muy sensibles a la eleccin del tiempo de perdida, del tiempo de evolucin y la dimensin embebida. Si el tiempo de evolucin es muy corto, los vectores vecinos no evolucionaran lo suficiente para obtener informacin relevante, si es muy grande, pasaran a otras trayectorias y as se obtendrn resultados poco fiables.
Resultados
Para realizar el anlisis de las seales se generaron las series de tiempo de la funcin sinusoidal y del sistema de Lorenz utilizando el programa MATLAB 2007a.
Donde J es la prdida o retraso de reconstruccin, y m es la dimensin embebida. As, X es una matriz de Mm, y las constantes m, M, J y N se relacionan como lo muestra (5).
Pag.
CIINDET 2010
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de octubre de 2010, Cuernavaca Morelos, Mxico El conjunto de ecuaciones diferenciales que describen el sistema de Lorenz se presentan de (9) a (11). x(k+1)=x(k)+h*(sigma*y(k)-sigma*x(k)) y(k+1)=y(k)+h*(-x(k)*z(k)+r*x(k)-y(k)); z(k+1)=z(k)+h*(x(k)*y(k)-b*z(k)); (9) (10) (11)
Los parmetros que se utilizaron para generar el conjunto del sistema de Lorenz, se muestran en la Tabla 1, la duracin de las series de tiempo son de 100 segundos, con frecuencia de reconstruccin de 256Hz.
Tabla 1. Parmetros de las series de Lorenz.
Las series de tiempo fueron procesadas mediante scripts de Matlab dentro del entorno de LabView 2009. Se generaron cuatro series de tiempo de acuerdo a (13), con diferentes relaciones de escalamiento A/B, con la finalidad de obtener una seal resultante con 1 entre 0 y 1.5, cuando A/B es pequea, se espera que 1 sea ms cercano a 0 caracterstica de las seales peridicas y cercano a 1.5 para cuando A/B es grande, caracterstica del sistema de Lorenz. Lo que representar diferentes niveles de caos, de acuerdo al exponente ms grandes de Lyapunov. F(s) = A Lorenz(x) + BSeno(nT) (13)
Sistema de Lorenz R 45.92 X 2.070188 b 4 Y -8.731582 16 Z 49.114475 La seal de funcin sinusoidal se genero de 1Vp y 256Hz, de acuerdo con (12). F(n) = Seno(nT) (12)
donde T es el periodo de muestreo con las mismas caractersticas de reconstruccin del sistema de Lorenz. Para realizar la suma de las seales, se normaliz la componente X del sistema de Lorenz, en la Figura 2 se observa segmentos de ambas series de tiempo.
donde A es la amplitud de la seal normalizada del eje X. Al multiplicar por A la serie de tiempo, se logra modificar la influencia en la seal resultante. En la Tabla 2 se muestran los valores de 1 calculados de acuerdo con el algoritmo de Rosenstein para 4 diferentes valores de A/B, Se utilizaron cinco muestras de cada seal compuesta, con duracin de 20 Seg., tomados de diferentes lugares en el tiempo seleccionados al azar. El parmetro divergeT, de acuerdo con el algoritmo de Rosenstein, es una suposicin de cunto tiempo le tomar a los vecinos ms cercanos llegar a la divergencia mxima.
Tabla 2. Resultados del anlisis.
(a)
(b)
Figura 2. Muestra de 20 segundos de a) Serie de tiempo del eje X del sistema de Lorenz, b) Funcin Sinusoidal.
A/B 1/5000 1/5000 1/5000 1/5000 1/5000 1/500 1/500 1/500 1/500 1/500 1/50 1/50 1/50 1/50 1/50
Segundo 0 20 40 60 80 0 20 40 60 80 0 20 40 60 80
1 Rosenstein 0.119 0.088 0.133 0.172 0.155 0.404 0.517 0.422 0.46 0.419 0.847 0.949 0.806 0.9 0.861
Pag.
CIINDET 2010
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de octubre de 2010, Cuernavaca Morelos, Mxico Este documento fue desarrollado dentro del marco del proyecto TIJ-IET-2009-219, en el Departamento de Ingeniera elctrica y electrnica del Instituto Tecnolgico de Tijuana.
Referencias
[1] Leon D Iasemidis. Epileptic seizure prediction and control, IEEE Transactions on biomedical engineering, 50(5):549558, May 2003. Michael T. Rosenstein, James J. Collins, and Carlo J. De Luca. A practical method for calculating largest Lyapunov exponents from small data sets. Technical report, Neuro-Muscular Research Center and Department of Biomedical Engineering, Boston Uniersity, November 1992. Jean Jeacques E. Slotine and Weiping Li. Applied Nonlinear Control. Prentice Hall, 1991. Leigh McCue and Armin Troesch. Use of Lyapunov exponents to predict chaotic vessel motions. pages 156171, October 2004. Rodrigo Quian Quiroga. Quantitative analysis of EEG signals: Time-frequency methods and Chaos theory. PhD thesis, Institute of Physiology - Medical University Lubeck and Institute of Signal Processing - Medical University Lubeck, 1998. A. Wolf, J. B. Swift, H. L. Swinney, and J. A. Vastano, Determining Lyapunov, exponents from a time series, Physica D 16 (1985) 285.
De los resultados observados en la Tabla 2 se pueden identificar cuatro diferentes niveles de caos, ubicados en la misma cantidad de intervalos, mostrados en la Tabla 3.
Tabla 3. Rango de niveles de caos.
[2]
Amplitud Seno 1 1 1 1
Rango Min. Max. 0.088 0.172 0.404 0.517 0.806 0.949 1.5 1.761
[3] [4]
[5]
Conclusiones
Al utilizar la superposicin de dos seales, una peridica y otra catica, se logro conferir las propiedades de ambas seales a la resultante, y dependiendo de la amplitud de las componentes se obtuvo una tercera con propiedades dominantes de la componente con mayor amplitud. Con las relaciones de amplitud propuestas se logro establecer 4 diferentes seales con caractersticas diferentes, de acuerdo con el valor calculado para el exponente ms grande de Lyapunov, lo que permite proponer que es posible estimar el nivel de caos en una seal como la propuesta. Cabe mencionar que las propiedades caticas fueron difciles de enmascarar, ya que se debieron utilizar escalas donde la magnitud de la componente del sistema de Lorenz debi ser muy pequea para poder lograr las propiedades de la componente sinusoidal. Con estos resultados, tambin se considera plausible la utilizacin del exponente ms grande de Lyapunov, calculado utilizando la serie de tiempo, como un indicador del nivel de caos de una seal que se sospecha presenta comportamiento catico.
[6]
Pag.
CIINDET 2010
VIII Congreso Internacional sobre Innovacin y Desarrollo Tecnolgico, 24 al 26 de octubre de 2010, Cuernavaca Morelos, Mxico Maestro en Ciencias con especialidad en sistemas Digitales en CITEDI-IPN en 2005. Recibi el grado de doctorado en Comunicaciones y Electrnica en el CITEDI-IPN en 2010. Actualmente es profesor-investigador en el Departamento de Ingeniera Elctrica y Electrnica del Instituto Tecnolgico de Tijuana Manuel de Jess Garca Ortega. Ingeniero en Comunicaciones y Electrnica egresado de la Escuela Superior de Ingeniera Mecnica y Elctrica del Instituto Politcnico Nacional en 1990. Obtuvo el grado de Maestra en Sistemas Digitales por el Centro de Investigacin en Desarrollo de Tecnologa Digital del Instituto Politcnico Nacional en 2003. Actualmente es profesor-investigador en el Departamento de Ingeniera Elctrica y Electrnica del Instituto Tecnolgico de Tijuana Pal Antonio Valle Trujillo. Egresado de ingeniera en Electrnica en el Instituto Tecnolgico de Tijuana en el 2010, realizo su residencia profesional dentro del proyecto denominado Parametrizacin de epilepsia evocada; actualmente realiza sus estudios de maestra en el Centro de Investigacin en Desarrollo de Tecnologa Digital del Instituto Politcnico Nacional.
Pag.