首页 > 代码库 > 混沌数学之logistic模型
混沌数学之logistic模型
logistic回归又称logistic回归分析,主要在流行病学中应用较多,比较常用的情形是探索某疾病的危险因素,根据危险因素预测某疾病发生的概率。
相关DEMO参见:混沌数学之离散点集图形DEMO
logistic的用途:
一、寻找危险因素,正如上面所说的寻找某一疾病的危险因素等。
二、预测,如果已经建立了logistic回归模型,则可以根据模型,预测在不同的自变量情况下,发生某病或某种情况的概率有多大。
三、判别,实际上跟预测有些类似,也是根据logistic模型,判断某人属于某病或属于某种情况的概率有多大,也就是看一下这个人有多大的可能性是属于某病。
生态学中的虫口模型(亦即Logistic映射)可用来描述:
x(n+1)=a*x(n)*(1-x(n)),a属于[0,4],x属于(0,1)这是1976年数学生态学家R. May在英国的《自然》杂志上发表的一篇后来影响甚广的综述中所提出的,最早的一个由倍周期分岔通向混沌的一个例子。后来经过Feigenbaum研究得出:一个系统一旦发生倍周期分岔,必然导致混沌。他还发现并确定了该系统由倍周期分岔,必然导致混沌。他还发现并确定了该系统由信周期分岔通向混沌的两个普适常数(也称为Feigenbaum常数)。
相关代码:
//http://wenku.baidu.com/view/d51372a60029bd64783e2cc0.html?re=viewclass LogisticEquation : public DiscreteEquation{public: LogisticEquation() { m_StartX = 0.0f; m_StartY = 0.25f; m_ParamA = 3.672f; } void IterateValue(float x, float y, float& outX, float& outY) const { outX = x+0.00025f; outY = m_ParamA*y*(1-y); } bool IsValidParamA() const {return true;}};
混沌点集图形:
混沌数学之logistic模型
声明:以上内容来自用户投稿及互联网公开渠道收集整理发布,本网站不拥有所有权,未作人工编辑处理,也不承担相关法律责任,若内容有误或涉及侵权可进行投诉: 投诉/举报 工作人员会在5个工作日内联系你,一经查实,本站将立刻删除涉嫌侵权内容。