TensorFlow 混沌预测和爆炸
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
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
使用基于数据驱动的长短时记忆(LSTM)循环神经网络的预测方法,展示了该方法在高维混沌系统中的定量预测效果,并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比,LSTM 在所有应用中都表现出更好的短期预测准确性,并且 MSM-LSTM 可以保证收敛到不变措施。
Feb, 2018
通过分析经典参数下二维 Henon 地图中的一个算法,在预测极端事件方面确定算法的性能,并发现在保持一定精度的情况下,机器学习算法的成功率依赖于预测时间、训练样本数和网络规模等因素,其内在混沌性质和机器学习参数之间存在类似的关系。
Feb, 2020
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
使用基于物理原理的 TensorFlow-net 深度学习模型,可以准确预测高效非线性动力学物理场,并且满足保守质量、模拟湍流动能和频谱等物理特征。
Nov, 2019
通过系统实证分析,本文发现在文本生成等实际应用场景下,基本的 RNN 或 LSTM RNN 的训练过程中不会表现出混沌行为,这一发现说明未来的研究应该将方向放在非线性动力学的另一个方面上。
Apr, 2020
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
这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法,用于从数据中识别非线性动态系统,以此预测未来状态和识别吸引基。在多个基准问题中,论文证明了该方法的有效性,包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。
Jan, 2018