自相似的分形曲线
[转载]分形---自相似性
![[转载]分形---自相似性](https://img.taocdn.com/s3/m/e588f34e3a3567ec102de2bd960590c69ec3d885.png)
[转载]分形---⾃相似性原⽂地址：分形---⾃相似性作者：凯分形, 简单的讲就是指系统具有“⾃相似性”和“分数维度”。
所谓⾃相似性即是指物体的（内禀）形似,不论采⽤什么样⼤⼩的测量“尺度”，物体的形状不变。
如树⽊不管⼤⼩形状长得都差不多, 即使有些树⽊从来也没见过, 也会认得它是树⽊；不管树枝的⼤⼩如何，其形状都具有⼀定的相似性。
所谓分形的分数维, 是相对于欧⽒⼏何中的直线、平⾯、⽴⽅⽽⾔的, 它们分别对应整数⼀、⼆、三维，当然分数维度“空间”不同于⼈们已经习惯的整数维度空间，其固有的逻辑关系不同于整数维空间中的逻辑关系。
说起来⼀般⼈可能不相信，科学家发现海岸线的长度是不可能（准确）测量的，对⼀个⾜够⼤的海岸线⽆论采⽤多么⼩的标尺去测量其长度发现该海岸长度不趋于⼀个确定值！⽤数学语⾔来描述即是海岸线长度与测量标尺不是⼀维空间的正⽐关系，⽽是指数关系，其分形维是1.52；有理由相信海岸线的形状与这个分数维有内在关系。
⾃相似性⼜揭⽰了⼀种新的对称性，即画⾯的局部与更⼤范围的局部的对称，或说局部与整体的对称。
这种对称不同于欧⼏⾥德⼏何的对称，⽽是⼤⼩⽐例的对称，即系统中的每⼀元素都反映和含有整个系统的性质和信息。
⽆论放⼤多少倍，图象的复杂性依然丝毫不会减少。
但是，注意观察上图，我们会发现：每次放⼤的图形却并不和原来的图形完全相似。
这告诉我们：其实，分形并不要求具有完全的⾃相似特性。
分形能够保持⾃然物体⽆限细致的特性，所以，⽆论你怎么放⼤，最终，还是可以看见清晰的细节。
周期性是⾃然界发展变化的基本规律之⼀，经济发展周期性表现为描述经济发展的数量指标“时好时坏”波浪式变化, 并不是简单的重复；总体上讲⼈类社会的经济发展是波浪式前进的, 历史是不会逆转的。
随机波动曲线具有“⾃相似性”。
价格波动曲线的分形，与海岸线同类, 都具有1.618（左右）的分形维特性，其分形形态不可能象科赫曲线⼀样表现为精确的⼏何图形，随机性是这种曲线⾛势的基本特征；曲线⾃相似性的意义是突出随机过程中的关联效应。
希尔伯特曲线加密方法(一)
希尔伯特曲线加密方法(一)希尔伯特曲线加密什么是希尔伯特曲线加密？希尔伯特曲线加密是一种密码学算法，通过使用希尔伯特曲线对数据进行编码和隐藏，以保护敏感信息的安全性。
该算法源于数学上的希尔伯特空间和分形曲线理论，被广泛应用于数据加密和安全通信领域。
加密方法1. 曲线编码希尔伯特曲线是一条具有自相似性质的分形曲线，通过对数据进行曲线编码，可以将数据离散化、变换为曲线上的点集。
具体步骤如下：•将要加密的数据拆分为多个数据块。
•对每个数据块进行二进制表示。
•将二进制表示的数据块转换为一个曲线上的点。
2. 曲线遍历希尔伯特曲线具有迷宫效应，即曲线上任意两点之间的距离较短。
利用这个特性，可以对曲线进行遍历，将数据块按照某种顺序排列在曲线上，从而形成加密后的数据序列。
具体步骤如下：•根据数据块数量确定曲线的遍历次数。
•从曲线的起始点开始，按照特定规则遍历曲线，将数据块依次存储在遍历的位置上。
3. 解码与恢复在解密时，需要按照相反的方式进行解码和恢复。
具体步骤如下：•根据密钥和规则，确定曲线的遍历次数和方向。
•按照相反的规则进行曲线遍历，将加密后的数据块依次解码和恢复。
优点和应用希尔伯特曲线加密具有以下优点：•数据隐藏性强：通过将数据离散化并映射到分形曲线上，加密后的数据难以被理解和破解。
•抗攻击性强：希尔伯特曲线的自相似性特点使其对攻击具有较强的鲁棒性。
•扩展性好：可以通过调整遍历规则和曲线参数来增加加密算法的复杂度和安全性。
希尔伯特曲线加密在以下领域得到广泛应用：•数据安全：用于对敏感数据的加密存储和传输，保护个人隐私和商业机密。
•通信安全：用于加密通信过程中的数据传输，防止数据被窃听和篡改。
•数字水印：通过将水印信息嵌入到希尔伯特曲线中，实现对图片、视频等数字内容的保护和认证。
结语希尔伯特曲线加密作为一种基于分形几何的密码学算法，提供了一种全新的数据加密和安全通信方案。
其优点在于数据隐藏性强、抗攻击性好，并且可以灵活扩展应用。
魏尔斯特拉斯曲线
魏尔斯特拉斯曲线
魏尔斯特拉斯曲线是一条著名的分形曲线，由德国数学家魏尔斯特拉斯于19世纪提出。
这条曲线的特点是在任何局部都有类似于整个曲线的形态，因此被称为自相似曲线。
魏尔斯特拉斯曲线的构造方法非常简单，从一条线段开始，每次将其分成三等份，然后将中间一段替换成两条形状相同的线段，这样就得到了新的曲线。
重复这个过程无限次，就可以得到越来越复杂的魏尔斯特拉斯曲线。
尽管魏尔斯特拉斯曲线看起来非常复杂，但它却有许多有趣的性质和应用。
例如，它可以用于描述自然界中的许多曲线形态，如树枝、河流、山脉等。
此外，魏尔斯特拉斯曲线还可以用于解决一些数学问题，如分形几何、复杂度理论等。
- 1 -。
皮亚诺曲线的应用
皮亚诺曲线的应用
皮亚诺曲线是一种以短线段构成的连续闭合曲线，具有自相似性和分形特征。
它的应用包括：
1. 图像压缩：皮亚诺曲线的分形特性可以用于图像压缩，即通过保存皮亚诺曲线的几个参数和初始线段，就可以重建整个曲线，从而实现对图像的高效压缩。
2. 纹理合成：皮亚诺曲线可以用于生成逼真的纹理合成。
通过调整皮亚诺曲线的初始线段和参数，可以生成各种类型的纹理，如石头、云彩等。
3. 数据可视化：皮亚诺曲线可以用于可视化数据，将复杂的数据集通过皮亚诺曲线的拟合，转化为简洁的、易于理解的可视化图形。
4. 数学研究：皮亚诺曲线是数学中一个经典的分形曲线，对于分形理论的研究和应用具有重要意义。
通过对皮亚诺曲线的研究，可以深入理解分形的性质和应用。
总之，皮亚诺曲线在图像处理、纹理合成、数据可视化和数学研究等领域都有广泛的应用。
雪花曲线面积公式
雪花曲线面积公式雪花曲线（snowflake curve）是一种分形曲线，具有类似于雪花的形状。
雪花曲线在科学、工程、计算机图形学等领域都有广泛的应用。
本文将详细介绍雪花曲线的面积公式、原理和实际应用场景。
一、雪花曲线的面积公式雪花曲线的面积公式是由德国数学家康托尔（Georg Cantor）最先发现的，即：S=\frac{3\sqrt{3}}{20}L^2S表示雪花曲线的面积，L表示雪花曲线的边长。
二、雪花曲线的原理雪花曲线是一种基于分形几何的曲线，具有自相似性和不规则性。
雪花曲线的生成是通过迭代过程得到的。
具体来说，生成一个雪花曲线需要以下几个步骤：Step 1：以一个正三角形为起点。
Step 2：将正三角形的每条边等分为3段，并将中间一段替换为两个边长相等、与中间一段成60度角的小正三角形，即在正三角形的每一条边上均生成一个小正三角形。
Step 3：对于每个小正三角形，重复Step 2的操作，直到达到所需的细节程度。
整个过程类似于“分形生长”，即通过不断重复根据一定规律生成新的形状。
这样生成的雪花曲线具有自相似性和不规则性，且细节层次丰富，看起来别具一格。
三、雪花曲线的实际应用场景1.计算机图形学雪花曲线是计算机图形学中常用的一种分形曲线，可以通过计算机程序生成。
由于雪花曲线具有自相似性和不规则性，可以给图形增加一定的复杂度和美感，因此在图形设计领域有着广泛的应用。
2.科学研究雪花曲线还被应用于物理、化学、生物等科学研究领域。
在材料科学中，雪花曲线可以用于研究材料表面的形貌、结构和性质。
在气象学中，雪花曲线可以用于模拟雪花的形状和降雪规律。
3.金融市场分析雪花曲线还可以应用于金融市场的波动性分析和预测。
利用雪花曲线的自相似性和不规则性，可以揭示金融市场存在的某些隐含规律或规律的破坏，进而预测市场的趋势和波动，为投资决策提供参考。
四、结语雪花曲线是一种基于分形几何的曲线，具有自相似性和不规则性，广泛应用于计算机图形学、科学研究、金融市场分析等领域。
meister曲线
meister曲线Meister曲线是一种特殊的曲线，也被称为Meister曲线或Meister螺旋。
它是由瑞士数学家Johann Meister于1860年提出的。
Meister曲线具有一些独特的性质，让我们从多个角度来探讨它。
首先，Meister曲线是一种平面曲线，由一条连续的弧线组成。
它的形状类似于螺旋，但与普通的螺旋曲线不同，它的弧线并不是以恒定的半径和角度增长。
相反，Meister曲线的半径和角度都是变化的，这使得它的形状更加复杂。
其次，Meister曲线具有自相似性。
也就是说，无论在哪个位置上观察这条曲线，它的形状都会与整体相似。
这种自相似性使得Meister曲线在数学和几何学中具有一定的重要性，它可以用来研究分形几何学和图形的自相似性特征。
此外，Meister曲线还具有一些特殊的数学性质。
例如，它的长度是无穷的，这意味着无论我们取多少个弧线段来逼近曲线，都无法准确地计算出它的长度。
这使得Meister曲线成为了一种具有挑战性的数学问题，吸引了许多数学家的研究兴趣。
除了数学之外，Meister曲线还在其他领域有着广泛的应用。
例如，在计算机图形学中，Meister曲线可以用来生成复杂的图形和动画效果。
它的自相似性特征使得它成为一种常用的图形生成工具，可以用来设计艺术品、游戏场景等。
总结起来，Meister曲线是一种特殊的曲线，具有复杂的形状和自相似性特征。
它在数学和几何学中有着重要的地位，同时也在计算机图形学和其他领域有着广泛的应用。
通过研究和探索Meister曲线，我们可以深入理解曲线的性质和数学原理。
hilbert分形维数 -回复
hilbert分形维数-回复希尔伯特分形维数（Hilbert fractal dimension）是描述分形对象复杂程度的一个数值指标。
在数学和物理学领域中，分形维数是用来描述自相似结构的尺寸的重要概念。
而希尔伯特分形维数则特指以希尔伯特曲线为基础构建的分形对象的维数。
希尔伯特曲线是一种连续均匀且自相似的空间填充曲线。
它是由德国数学家希尔伯特于20世纪初提出的，并在数学和物理学中得到了广泛应用。
希尔伯特曲线的特点是每个单位长度都可以分解为四份，然后通过不断迭代，将每段曲线与相邻段曲线连接起来，形成一个连续闭合的曲线。
第一步：构建希尔伯特曲线构建希尔伯特曲线的过程可以通过迭代的方式来实现。
起始时，我们首先定义希尔伯特曲线的初始状态，可以是一条直线或一个简单的封闭曲线。
然后，我们将每一段曲线分为四份，并通过连接相邻段曲线的方式，生成下一级的曲线。
重复这个过程，不断迭代，直到达到我们所需的曲线复杂程度。
第二步：计算希尔伯特分形维数希尔伯特分形维数可以通过测量希尔伯特曲线的长度和覆盖的区域面积来计算。
我们可以使用分形维数计算公式来得到希尔伯特分形维数的近似值。
在二维空间中，希尔伯特分形维数可以表示为D = log(N)/log(1/s)，其中D为分形维数，N为曲线的长度，s为分形单位的线段长度（通常为分形曲线的最小分割单位）。
第三步：理解希尔伯特分形维数的意义希尔伯特分形维数可以用来描述希尔伯特曲线的复杂程度。
当曲线的分形维数越大，意味着曲线越复杂，具有更多的细节和结构。
希尔伯特曲线的分形维数可以用来衡量曲线的几何形状和拓扑结构之间的关系。
通过比较不同分形对象的分形维数，我们可以判断它们之间的相似性和差异性。
第四步：应用希尔伯特分形维数希尔伯特分形维数在许多领域中有着广泛的应用。
在自然科学中，它可以用来研究各种形态复杂的物理现象，如分岔现象、湍流的结构等。
在生物学中，希尔伯特分形维数可以用来描述分形生物体的结构和形态，如植物的根系、神经纤维的网络等。
Koch分形曲线
在新的图形中，有将没一直线段中间的三 分之一部分都用一个等边三角形的另两边 代替，得到15个结点的图形
• 每迭代一次，曲线的长度增加4/3。 • 下面是迭代5次的图形。
算法的程序设计见下页的M-文件
p=[0,0;10,0]; a=[cos(pi/3),-sin(pi/3);sin(pi/3),cos(pi/3)];
练习
• 以正三角形为基础图形，在每一个边上 构造Koch曲线，得到Koch雪花。
结点 p(4:4:4*n-4,:)=q+2*d; end plot(p(:,1),p(:,2)) %插入第三组结点
算法的设计
(1) Q 1 P 1 ( p 2 P 1) / 3 ( 2 ) Q 3 P 1 2 ( P 2 P 1) / 3 ( 3 ) Q 2 Q 1 ( Q 3 Q 1) A ' ( 4 ) P 5 P 2 ; P 2 Q 1; P 3 Q 2 ; P 4 Q 3;
Koch分形曲线
一、分形的概念
• 把形态、功能和信息方面具有自相似性的对象 称为分形(fractal)。 • Koch曲线是最简单的分形曲线，从一条直线段 开始，将中间的三分之一部分用一个等边三角 形的另两条边代替，得到5个结点的图形
（ 0, 0),( 3.3333, 0),(5.0000, 2.8868),(6.6667,0),(10.0000,0)
• 在第三步中的矩阵A为
cos A sin
3
Байду номын сангаас
sin
3
3 cos 3
• 由上面的程序，从{P1,P2}得到一个新的5 个顶点的数组{P1,P2,P3,P4,P5},就是我们 的生成元，然后对每一个线段{Pi,Pi+1} 再依次进行新的生成过程，得到一个17 个顶点的数组，第n步得到4n-3个顶 点……直至无限，就得到Koch曲线。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
且由三角形三边关系, 得r > 1 3 取r = 0.33912, Ds = ln5 ≈ 1.48829 ln0.33912
其它分形图
花篮族
羊凿树叶状分形
分数维( 分数维 Fractal Dimension)的意 的意 义
我们把维数看成是“复杂性指标” 我们把维数看成是“复杂性指标”，看 维数看成是 作是图形填充空间的程度。 作是图形填充空间的程度。则在曲线的构成 Koch曲线为例 曲线为例， 中，以Koch曲线为例，当转角由零度到九十 度 从小到大变化时，其分形维数也由1(直 从小到大变化时，其分形维数也由1(直 1( 线段维数)从小到大，甚至接近并达到2( 2(三 线段维数)从小到大，甚至接近并达到2(三 角形面片) 角形面片)。
分形相似维数(Similar Dimension) 分形相似维数 计 算
分形几何学起初确实没有太多公式， 分形几何学起初确实没有太多公式，但 它揭示了众多现象的自相似性， 它揭示了众多现象的自相似性，Mandelbrot 紧紧抓住了双对数关系(幂律关系 幂律关系)， 紧紧抓住了双对数关系 幂律关系 ，在非线性 中找到了一个重要不变量——分数维数。有 分数维数。 中找到了一个重要不变量 分数维数 了这些，对于一门学科的初创者来说， 了这些，对于一门学科的初创者来说，也就 足够了。 足够了。
桧树分形小枝： 桧树分形小枝：
刺柏)分形小枝 桧(gui)树(刺柏 分形小枝： 树 刺柏 分形小枝： 主型由五条折线段组成， 主型由五条折线段组成， 设其长度为r 设其长度为
由余弦定理有 : r + 0.5 2 × r × 0.5cos α = (0.5r )
2 2 2
3r 1 即 cosα + =0 4 4r
ln 4 Ds = ≈ 1.26186 1 ln 3
Levy曲线分形 曲线分形
Levy曲线主型： Ds = 曲线主型： 曲线主型
ln 2 ln 2
=2 2
皇冠分形曲线
设主型第一(六)条折线段与水平线夹角为α = 30o ,
故由方程 2r cos 30o + r = 1 得 r= 1 Ds = ln(ln36 1 ) ≈ 1.78275 + ( 3 +1 )
谢尔宾斯基海绵(sierpinski’s sponge) 谢尔宾斯基海绵
1. 如图所示，取一立方体,第一步将立方体等分 如图所示，取一立方体, 27个小立方体 个小立方体， 成27个小立方体，舍去体心的一个小立方体 和六个面上面心的小立方体, 即舍去7 和六个面上面心的小立方体, 即舍去7个小立 方体，保留27 27－ 20个小立方体 个小立方体. 方体，保留27－7＝20个小立方体.
二维空间上的分形图形生成法
分形最本质的特征是自相似性， 分形最本质的特征是自相似性，对于整体与部分 严格自相似的分形点集，其生成格式如下： 严格自相似的分形点集，其生成格式如下： (严格 自相似分形 或有规分形 的迭代生成： 严格)自相似分形 或有规分形)的迭代生成 严格 自相似分形(或有规分形 的迭代生成： 初始元：单位长度线段或其它几何图形； 初始元：单位长度线段或其它几何图形； 主型(motif)：又称作生成元，提供生成格式； ：又称作生成元，提供生成格式； 主型
维数计算
从一个小立方体出发，将小立方体的每边 从一个小立方体出发， 放大3 则此时体积放大27 27倍 放大3倍，则此时体积放大27倍，共舍去体心 和六个面面心上的7个小立方体， 和六个面面心上的7个小立方体，实际得的是 N=20 个小立方体； 个小立方体； 边长放大倍数为k 边长放大倍数为 ＝3.
练习题
1. 按照分形的自相似原理，设计一个严格 按照分形的自相似原理， 自相似分形集，并计算其自相似分维。 自相似分形集，并计算其自相似分维。
ln N 严格自相似分形的相似维数 : Ds = ln r
其中 N 为折线段的段数; r 为折线段的长度.
自相似性的一点注记
部分与整体具有严格的自相似的分形又称 作有规分形。 Koch曲线 曲线, 作有规分形。如Koch曲线,它是按一定的数学 法则(迭代)生成的， 法则(迭代)生成的，因此它的任一片段与整体 严格自相似。 严格自相似。 但自然界的分形， 但自然界的分形，其自相似性并不是严格 如海岸线，天空的云团， 的，如海岸线，天空的云团，树的枝干等只是 一种统计意义下的自相似。对于Koch曲线也可 一种统计意义下的自相似。对于 曲线也可 随机生成” 以“随机生成”－可用掷硬币的方式来决定新 的部分位于被去掉部分的哪一侧。 的部分位于被去掉部分的哪一侧。这类分形又 称作无规分形。 称作无规分形。
ln N ln 20 Ds = = ≈ 2.7268 ln K ln 3源自几种严格自相似分形的生成格 式
(1)Koch曲线 (1)Koch曲线
基线为单位长度线段； 基线为单位长度线段； 主型中折线段数为4， 主型中折线段数为 ，即 N=4 ； 折线段长度为1/3； 折线段长度为 ；
Koch 曲线相似性维数：
(2)
2.第二步再对每个小立 2.第二步再对每个小立 方体进行同样的操作： 方体进行同样的操作： 此时保留下来的小立方 体数目为20 20＝400个 20× 体数目为20×20＝400个； 3.如此反复操作直至无 3.如此反复操作直至无 穷，极限情况下，小立 极限情况下， 方体的体积为零， 方体的体积为零，而其 表面面积之和趋于无穷 大。所以实际得一个面 集，是一个具有自相似 性结构的规则分形系统. 性结构的规则分形系统.
严格自相似分形的相似维数 :
D s = ln N ln r
双对数形式.
康托尔尘埃(Cantor dust) 康托尔尘埃
生成方法： 生成方法：初始元为正 方形， 方形，将初始元分成 16个小正方形 个小正方形( 16个小正方形(如右 保留4 图)，保留4个小正方 形成生成元， 形，形成生成元，无 穷次操作形成一点集, 穷次操作形成一点集, 显然它是一个严格的 自相似形 生成元由4 分形维数 :生成元由4个 与初始元相似比为4 与初始元相似比为4的 注意：分形的相似维数 不一定是分数。 部分组 Ds=ln4/ln4=1