TY  - THES
A1  - Bergner, André
T1  - Synchronization in complex systems with multiple time scales
T1  - Synchronisation in komplexen Systemen mit mehreren Zeitskalen
N2  - In the present work synchronization phenomena in complex dynamical systems exhibiting multiple time scales have been analyzed. Multiple time scales can be active in different manners. Three different systems have been analyzed with different methods from data analysis. The first system studied is a large heterogenous network of bursting neurons, that is a system with two predominant time scales, the fast firing of action potentials (spikes) and the burst of repetitive spikes followed by a quiescent phase. This system has been integrated numerically and analyzed with methods based on recurrence in phase space. An interesting result are the different transitions to synchrony found in the two distinct time scales. Moreover, an anomalous synchronization effect can be observed in the fast time scale, i.e. there is range of the coupling strength where desynchronization occurs. The second system analyzed, numerically as well as experimentally, is a pair of coupled CO₂ lasers in a chaotic bursting regime. This system is interesting due to its similarity with epidemic models. We explain the bursts by different time scales generated from unstable periodic orbits embedded in the chaotic attractor and perform a synchronization analysis of these different orbits utilizing the continuous wavelet transform. We find a diverse route to synchrony of these different observed time scales. The last system studied is a small network motif of limit cycle oscillators. Precisely, we have studied a hub motif, which serves as elementary building block for scale-free networks, a type of network found in many real world applications. These hubs are of special importance for communication and information transfer in complex networks. Here, a detailed study on the mechanism of synchronization in oscillatory networks with a broad frequency distribution has been carried out. In particular, we find a remote synchronization of nodes in the network which are not directly coupled. We also explain the responsible mechanism and its limitations and constraints. Further we derive an analytic expression for it and show that information transmission in pure phase oscillators, such as the Kuramoto type, is limited. In addition to the numerical and analytic analysis an experiment consisting of electrical circuits has been designed. The obtained results confirm the former findings.
N2  - In der vorliegenden Arbeit wurden Synchronisationsphänomene in komplexen Systemen mit mehreren Zeitskalen untersucht. Es gibt mehrere Möglichkeiten wie diese verschiedenen Zeitskalen vorkommen können. Drei verschiedene Systeme, jedes mit einer anderen Art von zeitlicher Multiskalität, wurden mit unterschiedlichen Methoden der Datenanalyse untersucht. Das erste untersuchte System ist ein ausgedehntes heterogenes Netzwerk von Neuronen mit zwei dominanten Zeitskalen, zum einen die schnelle Folge von Aktionspotenzialen und zum anderen einer abwechselnden Folge von einer Phase von Aktionspotenzialen und einer Ruhephase. Dieses System wurde numerisch integriert und mit Methoden der Phasenraumrekurrenz untersucht. Ein interessantes Ergebnis ist der unterschiedliche Übergang zur Synchronisation der Neuronen auf den beiden verschiedenen Zeitskalen. Des weiteren kann auf der schnellen Zeitskala eine anomale Synchronisation beobachtet werden, d.h. es gibt einen Bereich der Kopplungsstärke in dem es zu einer Desynchronisation kommt. Als zweites wurde, sowohl numerisch als auch experimentell, ein System von gekoppelten CO₂ Lasern untersucht, welche in einem chaotischen bursting Modus arbeiten. Dieses System ist auch durch seine Äquivalenz zu Epidemiemodellen interessant. Wir erklären die Bursts durch unterschiedliche Zeitskalen, welche durch in den chaotischen Attraktor eingebettete instabile periodische Orbits generiert werden. Wir führen eine Synchronisationsanalyse mit Hilfe der kontinuierlichen Wavelettransformation durch und finden einen unterschiedlichen Übergang zur Synchronisation auf den unterschiedlichen Zeitskalen. Das dritte analysierte System ist ein Netzwerkmotiv von Grenzzyklusoszillatoren. Genauer handelt es sich um ein Nabenmotiv, welches einen elementaren Grundbaustein von skalenfreien Netzwerken darstellt, das sind Netzwerke die eine bedeutende Rolle in vielen realen Anwendungen spielen. Diese Naben sind von besonderer Bedeutung für die Kommunikation und den Informationstransport in komplexen Netzwerken. Hierbei wurde eine detaillierte Untersuchung des Synchronisationsmechanismus in oszillatorischen Netzwerken mit einer breiten Frequenzverteilung durchgeführt. Insbesondere beobachten wir eine Fernsynchronisation von Netzwerkknoten, die nur indirekt über andere Oszillatoren miteinander gekoppelt sind. Wir erklären den zu Grunde liegenden Mechanismus und zeigen dessen Grenzen und Bedingungen auf. Des weiteren leiten wir einen analytischen Ausdruck für den Mechanismus her und zeigen, dass eine Informationsübertragung in reinen Phasenoszillatoren, wie beispielsweise vom Kuramototyp, eingeschränkt ist. Diese Ergebnisse konnten wir durch Experimente mit elektrischen Schaltkreisen bestätigen.
KW  - Komplexe Systeme
KW  - Synchronisation
KW  - Nichtlineare Dynamik
KW  - Datenanalyse
KW  - complex systems
KW  - synchronization
KW  - nonlinear dynamics
KW  - data analysis
Y1  - 2011
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-53407
ER  - 
TY  - THES
A1  - Dietrich, Jan Philipp
T1  - Phase Space Reconstruction using the frequency domain : a generalization of actual methods
N2  - Phase Space Reconstruction is a method that allows to reconstruct the phase space of a system using only an one dimensional time series as input. It can be used for calculating Lyapunov-exponents and detecting chaos. It helps to understand complex dynamics and their behavior. And it can reproduce datasets which were not measured. There are many different methods which produce correct reconstructions such as time-delay, Hilbert-transformation, derivation and integration. The most used one is time-delay but all methods have special properties which are useful in different situations. Hence, every reconstruction method has some situations where it is the best choice. Looking at all these different methods the questions are: Why can all these different looking methods be used for the same purpose? Is there any connection between all these functions? The answer is found in the frequency domain : Performing a Fourier transformation all these methods getting a similar shape: Every presented reconstruction method can be described as a multiplication in the frequency domain with a frequency-depending reconstruction function. This structure is also known as a filter. From this point of view every reconstructed dimension can be seen as a filtered version of the measured time series. It contains the original data but applies just a new focus: Some parts are amplified and other parts are reduced. Furthermore I show, that not every function can be used for reconstruction. In the thesis three characteristics are identified, which are mandatory for the reconstruction function. Under consideration of these restrictions one gets a whole bunch of new reconstruction functions. So it is possible to reduce noise within the reconstruction process itself or to use some advantages of already known reconstructions methods while suppressing unwanted characteristics of it.
N2  - Attraktorrekonstruktion („Phase Space Reconstruction“) ist eine Technik, die es ermöglicht, aus einer einzelnen Zeitreihe den vollständigen Phasenraum eines Systems zu rekonstruieren und somit Rückschlüsse auf topologische Eigenschaften dieses dynamischen Systems zu ziehen. Sie findet Verwendung in der Bestimmung von Lyapunov-Exponenten und zur Reproduktion von unbeobachteten Systemgrößen. Es gibt viele verschiedene Methoden zur Attraktorrekonstruktion wie z.B. die Time-Delay-Methode or Rekonstruktion durch Ableitung, Integration oder mithilfe einer Hilbert-Transformation. Zumeist wird der Time-Delay-Ansatz verwendet, es gibt jedoch auch diverse Problemstellungen, in welchen die alternativen Methoden bessere Ergebnisse liefern. Die Kernfragen, die beim Vergleich dieser Methoden entsteht, sind: Wie kommt es, dass alle Ansätze, trotz ihrer teilweise sehr unterschiedlichen Struktur, denselben Zweck erfüllen? Gibt es Übereinstimmungen zwischen all diesen Methoden? Die Antwort lässt sich im Frequenzraum finden: Nach einer Fourier-Transformation besitzen alle genannten Methoden plötzlich eine sehr ähnliche Struktur. Jede Methode transformiert sich im Frequenzraum zu einer einfachen Multiplikation des Eingangssignals mit einer frequenzabhängigen Rekonstruktionsfunktion. Diese Struktur ist in der Datenanalyse auch bekannt als Filter. Aus dieser Perspektive lässt sich jede Rekonstruktionsdimension als gefilterte Zeitreihe der ursprünglichen Zeitreihe interpretieren: Sie enthält den Originaldatensatz, allerdings mit einem verschobenen Fokus: Einige Eigenschaften der Originalzeitreihe werden unterdrückt, während andere Teile verstärkt wiedergegeben werden. Des weiteren zeige ich in der Diplomarbeit, dass nicht jede beliebige Funktion im Frequenzraum zur Rekonstruktion verwendet werden kann. Ich stelle drei Eigenschaften vor, welche jede Rekonstruktionsfunktion erfüllen muss. Unter Beachtung dieser Bedingungen ergeben sich nun diverse Möglichkeiten für neue Rekonstruktionsfunktionen. So ist es z.B. möglich gleichzeitig mit der Rekonstruktion das Ursprungssignal auch zu filtern, oder man kann bereits bestehende Rekonstruktionsfunktionen so abwandeln, dass unerwünschte Nebeneffekte der Rekonstruktion abgemildert oder gar ganz unterdrückt werden.
KW  - Attraktorrekonstruktion
KW  - Datenanalyse
KW  - Fouriertransformation
KW  - Komplexe Systeme
KW  - phase space reconstruction
KW  - data analysis
KW  - fourier transformation
KW  - complex systems
Y1  - 2008
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-50738
ER  -