from scipy.integrate import solve_ivp import matplotlib.pyplot as plt # # 全局参数与上一轮一致 # alpha_k 0.5 beta_m 0.3 m_crit 5.0 m_eff_fixed 0.0 delta 0.1 epsilon 0.05 zeta_base 0.02 alpha_xi 0.3 beta_xi 0.1 gamma_xi 0.01 def theta(xi_L): return np.exp(-0.5 * xi_L) def phi_t(t, phi_00.1): pulses [ {A: 1.0, t: 41, sigma: 10}, {A: 0.8, t: 72, sigma: 8}, {A: 0.5, t: 99, sigma: 5}, {A: 0.3, t: 152, sigma: 3}, ] phi phi_0 for p in pulses: phi p[A] * np.exp(-((t - p[t])**2) / (2 * p[sigma]**2)) if t 169: phi - 0.7 elif t 166: phi - 0.4 if t 184: phi 0.2 return max(phi, 0.01) def Gamma(t): shocks [ {t: 107, I: 3.0}, {t: 140, I: 2.0}, {t: 184, I: 5.0}, ] g 0.0 for s in shocks: g s[I] * np.exp(-((t - s[t])**2) / 2) return g def compute_sigma_star(sigma_0, kernel_ratio, k_eff, m_eff): suppression 1.0 / (1.0 alpha_k * k_eff beta_m * m_eff) sigma_star sigma_0 * kernel_ratio * suppression return np.clip(sigma_star, 0, sigma_0) def system(t, y, sigma_star, m_eff): Delta_true, xi_L y phi phi_t(t) zeta zeta_base * 0.1 if m_eff m_crit else zeta_base dDelta_dt delta * xi_L - epsilon * Delta_true * phi zeta * Gamma(t) dxi_dt alpha_xi * Delta_true * (1 - theta(xi_L)) - beta_xi * xi_L * phi gamma_xi * xi_L**2 return [dDelta_dt, dxi_dt] # # 灵帝坐标k_eff0.3, kernel_ratio0.58, sigma_01.0, year168 # lingdi_ke 0.3 lingdi_kr 0.58 lingdi_sigma_0 1.0 lingdi_year 168 t_end min(lingdi_year 30, 220) t_span (25, t_end) y0 [0.05, 0.0] t_eval np.linspace(*t_span, 400) # # k1 扫描 # k1_values np.arange(0.50, 0.701, 0.01) results [] for k1 in k1_values: # 原版sigma_star 用 k1 作为 kernel_ratio 的替代即 k_eff0 时的 sigma_star sigma_0 * k1 # 注意这里 k1 实际对应的是 kernel_ratio 参数保持与热力图一致 sigma_star_original compute_sigma_star(lingdi_sigma_0, k1, lingdi_ke, m_eff_fixed) sigma_star_variant compute_sigma_star(lingdi_sigma_0, k1, lingdi_ke, m_eff_fixed) # 原版theta exp(-0.5 * xi_L)但生成项中无观测失真耦合 # 变体在 system 中通过 theta 引入观测失真 # 为区分原版/变体我们定义两个不同的 system def system_original(t, y, sigma_star, m_eff): Delta_true, xi_L y phi phi_t(t) zeta zeta_base * 0.1 if m_eff m_crit else zeta_base # 原版生成项中 theta 不影响 Delta_true 的反馈 dDelta_dt delta * xi_L - epsilon * Delta_true * phi zeta * Gamma(t) dxi_dt alpha_xi * Delta_true * (1 - theta(xi_L)) - beta_xi * xi_L * phi gamma_xi * xi_L**2 return [dDelta_dt, dxi_dt] def system_variant(t, y, sigma_star, m_eff): Delta_true, xi_L y phi phi_t(t) zeta zeta_base * 0.1 if m_eff m_crit else zeta_base # 变体观测失真通过 theta 放大 Delta_true 的生成项 # 这里用 Delta_true * (1 theta(xi_L)) 模拟观测失真对截流差的放大 dDelta_dt delta * xi_L * (1 theta(xi_L)) - epsilon * Delta_true * phi zeta * Gamma(t) dxi_dt alpha_xi * Delta_true * (1 - theta(xi_L)) - beta_xi * xi_L * phi gamma_xi * xi_L**2 return [dDelta_dt, dxi_dt] sol_orig solve_ivp(system_original, t_span, y0, t_evalt_eval, args(sigma_star_original, m_eff_fixed)) sol_vari solve_ivp(system_variant, t_span, y0, t_evalt_eval, args(sigma_star_variant, m_eff_fixed)) xi_orig sol_orig.y[1][-1] xi_vari sol_vari.y[1][-1] delta_xi xi_vari - xi_orig accel_pct (delta_xi / xi_orig * 100) if xi_orig 1e-6 else float(inf) results.append({ k1: k1, xi_orig: xi_orig, xi_vari: xi_vari, delta_xi: delta_xi, accel_pct: accel_pct }) # # 控制台输出 # print(*90) print(k1 扫描结果灵帝thetaexp(-0.5*xi_L)) print(*90) print(f{k1:8} {原版ξ_L:12} {变体ξ_L:12} {Δξ_L:12} {加速效应%:12}) print(-*90) for r in results: accel_str f{r[accel_pct]:.2f} if r[accel_pct] ! float(inf) else inf print(f{r[k1]:8.2f} {r[xi_orig]:12.4f} {r[xi_vari]:12.4f} {r[delta_xi]:12.4f} {accel_str:12}) print(*90) # 找临界点 k1_crit_orig None k1_crit_vari None for i, r in enumerate(results): if r[xi_orig] 10 and k1_crit_orig is None: # 线性插值找精确临界点 if i 0: r_prev results[i-1] k1_crit_orig r_prev[k1] (10 - r_prev[xi_orig]) / (r[xi_orig] - r_prev[xi_orig]) * (r[k1] - r_prev[k1]) else: k1_crit_orig r[k1] if r[xi_vari] 10 and k1_crit_vari is None: if i 0: r_prev results[i-1] k1_crit_vari r_prev[k1] (10 - r_prev[xi_vari]) / (r[xi_vari] - r_prev[xi_vari]) * (r[k1] - r_prev[k1]) else: k1_crit_vari r[k1] print(f 【临界点分析】) print(f原版临界 k1^原版 {k1_crit_orig:.4f}原版ξ_L10) print(f变体临界 k1^变体 {k1_crit_vari:.4f}变体ξ_L10) if k1_crit_orig and k1_crit_vari: delta_k1 k1_crit_orig - k1_crit_vari print(fΔk1 k1^原版 - k1^变体 {delta_k1:.4f}) print(f观测失真降低相变阈值 {delta_k1:.4f}相对降幅 {delta_k1/k1_crit_orig*100:.2f}%) print(*90) # # 绘图k1 - ξ_L 曲线 # fig, ax plt.subplots(figsize(12, 7)) k1_arr [r[k1] for r in results] xi_orig_arr [r[xi_orig] for r in results] xi_vari_arr [r[xi_vari] for r in results] ax.plot(k1_arr, xi_orig_arr, b-o, linewidth2, markersize5, label原版 ξ_L) ax.plot(k1_arr, xi_vari_arr, r-s, linewidth2, markersize5, label变体 ξ_L) ax.axhline(y10, colorgreen, linestyle--, linewidth2, label临界阈值 ξ_L10) if k1_crit_orig: ax.axvline(xk1_crit_orig, colorblue, linestyle:, linewidth1.5, alpha0.7) ax.annotate(fk1^原版{k1_crit_orig:.3f}, xy(k1_crit_orig, 10), xytext(k1_crit_orig0.005, 12), fontsize10, colorblue, bboxdict(boxstyleround,pad0.3, facecolorlightblue, alpha0.8)) if k1_crit_vari: ax.axvline(xk1_crit_vari, colorred, linestyle:, linewidth1.5, alpha0.7) ax.annotate(fk1^变体{k1_crit_vari:.3f}, xy(k1_crit_vari, 10), xytext(k1_crit_vari0.005, 8), fontsize10, colorred, bboxdict(boxstyleround,pad0.3, facecolorlightcoral, alpha0.8)) ax.fill_between(k1_arr, 0, 10, alpha0.05, colorgreen, label稳态区) ax.set_xlabel($k_1$kernel_ratio / 耦合强度, fontsize12) ax.set_ylabel(灵帝 ξ_L 终值, fontsize12) ax.set_title(k1 扫描原版 vs 变体 ξ_L 相变边界, fontsize14) ax.legend() ax.grid(alpha0.3) plt.tight_layout() plt.savefig(k1_scan_phase_boundary.png, dpi150, bbox_inchestight) plt.show() print( 图表已保存k1_scan_phase_boundary.png) print(控制台表格 临界点分析可直接填入报告。)项目描述目标分析观测失真对系统相变阈值的影响通过对比原版和变体模型的仿真结果。方法对k1kernel_ratio进行扫描计算原版和变体模型的ξ_L终值并比较其差异。关键函数system_original和system_variant分别表示原版和变体模型其中变体模型通过theta引入观测失真。结果指标ξ_L终值、Δξ_L终值差异、加速效应%相对变化百分比。临界点分析通过线性插值法确定原版和变体模型的相变阈值k1_crit并计算其差异。结论观测失真显著降低了系统的相变阈值表明观测误差可能使系统更容易进入发散状态。参考来源numpy、scipy、pandas、matplotlib的读书报告手把手教你使用Numpy、Matplotlib、Scipy等5个Python库python如何安装Numpy、SciPy、MatPlotLib简述Python的Numpy,SciPy和Pandas,Matplotlib的区别简述 Python 的 Numpy、SciPy、Pandas、Matplotlib 的区别
企业数字化 ERP 产品动态
相关推荐
网站备案ip更换全流程：避开3个坑，性能优化再提速 网站备案ip更换全流程：避开3个坑，性能优化再提速 别再用那些一眼假的模板站糊弄客户了，老板看着头疼，你自己维护也累。很多做网站的朋友，尤其是从设计转前端的同行，都卡在一个死结上：换了服务器，备案信息没同步，或者想做个 性能优化… · 2026/9/27 22:18:02
黔西做网站从零搭建：不会代码也能搞定这7个坑 黔西做网站从零搭建：不会代码也能搞定这7个坑 很多人一听到“黔西做网站”就头大，觉得那是程序员的事。其实， 自己不会代码想做网站 ，并不是死胡同。只要路子对， 从零搭建… · 2026/9/27 22:17:55
毕业论文神器！2026年首选推荐的专业AI论文网站 2026年AI论文写作工具已从“内容生成”进化为融合智能分析与学术合规的全流程解决方案，核心评价维度包括文献真实性、格式合规性、长文本逻辑、查重降重、AIGC合规等。本次测评覆盖6款主流工具，涵盖中文/英文、全流程及专项功能，适用于免费与… · 2026/9/27 22:58:51
Mermaid源码排版规则 适配 flowchart / sequenceDiagram / classDiagram / erDiagram，优先流程图（最常用）1. 行预处理
每一行先 trimEnd()，移除行尾空格跳过空行压缩：连续多个空行 → 只保留最多1个空行识别行类型：
图表声明行&… · 2026/9/27 22:58:51
KAIST CS431 Rust 并发编程笔记（三） 阅读完这两份文档后，你现在可以理解示例中的内容了。这是我们仓库中的一个栈实现示例。在本视频的剩余部分，我们假设你已经阅读了 Aaron 的文档和特性文档。现在，我们将再次阅读并发栈、队列和链表的实现，看看在垃圾回收方面发生了… · 2026/9/27 22:58:51
零信任架构实战：基于天远人企关联构建自动化对公信贷准入网关 破解对公信贷准入痛点：从传统人工核查到数据直连穿透
在大型银行核心系统的对公信贷审核微服务（B2B Corporate Credit Audit Microservice）中，精准评估法定代表人、高管或核心股东与其名下关联企业的真实从属关系，是信… · 2026/9/27 22:58:45
MATLAB雷达信号脉冲压缩仿真：LFM线性调频、匹配滤波与距离分辨率实现 简介：这套Matlab仿真工具完整呈现雷达信号脉冲压缩过程，从线性调频（LFM）信号生成、目标回波仿真到匹配滤波压缩处理均有可运行代码支撑，面向电子信息工程、计算机、数学等专业学生，适用于课程设计、期末大作… · 2026/9/27 0:00:01
汕头网站建设制作厂家避坑指南：5大注意事项救急 汕头网站建设制作厂家避坑指南：5大注意事项救急 改个需求建站公司拖一周，这种憋屈事我见得太多了。 很多汕头老板找本地建站团队，签合同前看着方案挺美，一上线就变脸。 今天不聊虚的，直接拆解找 汕头网站建设制作厂家 时的5个核心 注意事项… · 2026/9/27 0:00:01
多模态虚假新闻检测实战：BERT+ResNet双塔与对比学习 简介：基于PyTorch的多模态虚假新闻检测项目完整代码包，面向自然语言处理与计算机视觉交叉方向的开发者、科研人员及毕业设计选题者，解决社交媒体中文本与图像联合识别虚假新闻的问题。系统以BERT预训练模型提取文本语义特征，以Res… · 2026/9/27 0:00:01
MATLAB雷达信号脉冲压缩仿真：LFM线性调频、匹配滤波与距离分辨率实现 简介：这套Matlab仿真工具完整呈现雷达信号脉冲压缩过程，从线性调频（LFM）信号生成、目标回波仿真到匹配滤波压缩处理均有可运行代码支撑，面向电子信息工程、计算机、数学等专业学生，适用于课程设计、期末大作… · 2026/9/27 0:00:01
汕头网站建设制作厂家避坑指南：5大注意事项救急 汕头网站建设制作厂家避坑指南：5大注意事项救急 改个需求建站公司拖一周，这种憋屈事我见得太多了。 很多汕头老板找本地建站团队，签合同前看着方案挺美，一上线就变脸。 今天不聊虚的，直接拆解找 汕头网站建设制作厂家 时的5个核心 注意事项… · 2026/9/27 0:00:01
多模态虚假新闻检测实战：BERT+ResNet双塔与对比学习 简介：基于PyTorch的多模态虚假新闻检测项目完整代码包，面向自然语言处理与计算机视觉交叉方向的开发者、科研人员及毕业设计选题者，解决社交媒体中文本与图像联合识别虚假新闻的问题。系统以BERT预训练模型提取文本语义特征，以Res… · 2026/9/27 0:00:01
