混沌工程
使用机器学习创建数字孪生提供了一种数据驱动的方法,可预测系统行为,而通过采用下一代储层计算的非线性控制器,此模型能够解决控制混沌系统到任意时变状态的难题,并能在嵌入式设备上进行评估,为向计算边缘部署高效的机器学习算法迈出了第一步。
May, 2024
运用遍历理论引入机器学习的新型训练方式,强制实现系统中的动力学不变量,以提高在有限数据情况下对混沌动力学系统的长期预测能力,用回声状态网络体系结构进行演示,并以 Lorenz1996 混沌动力学系统和光谱拟地转模型为测试案例,取得了丰硕成果。
Apr, 2023
研究通过应用混沌理论和动力系统理论,采用基于 Transformer 的序列预测架构,分析了 32 个脑电图通道上的数据,并展现了其在 EEG 数据序列预测方面的强大可靠性和普适性。
Oct, 2023
该论文介绍了一个包含 131 个已知的混沌动力系统的数据库,每个系统都与预计算的多变量和单变量时间序列相匹配,这些系统涵盖了天体物理学,气象学和生物化学等领域,并对每个系统的已知数学属性进行了注释,并通过多种方式使用该数据库进行了实验。
Oct, 2021
本研究揭示了混沌的本质可以在各种先进的深度神经网络中找到,并基于这一发现提出了一种直接利用混沌动力学进行深度学习架构的新方法。通过对不同混沌系统进行系统评估,我们发现我们的框架在准确性、收敛速度和效率方面均优于传统深度神经网络。此外,我们还发现在我们的方案中有短暂混沌形成的积极作用。总体而言,本研究为混沌的整合提供了一条新路径,并洞察了在机器学习和神经形态计算领域中混沌动力学融合的前景。
May, 2024
使用结构和对称性的 Hamilton 神经网络预测非线性系统从秩序到混沌的相空间轨迹,以亨农 - 海尔斯系统为例进行实证研究,该技术的实用性和混沌广泛存在性启示着广泛的应用前景。
Nov, 2019
在这项研究中,我们将非线性控制与洪流计算的方法相结合,成功地实现了对混沌系统的控制,包括在不稳定的吸引子之间控制系统、将系统稳定在高阶周期轨道上以及将系统控制到特定轨迹,该控制器具有出色的性能,仅需 10 个数据点进行训练,可以在单次迭代中实现对系统的控制,并且对噪声和建模误差具有鲁棒性。
Jul, 2023
利用高维混沌系统中的内部混沌动力学作为一种从训练数据集中生成新数据点的方法,在一组基本架构中通过简单的学习规则来实现这一目标,并通过标准准确度度量来表征生成数据点的质量。
May, 2024