人工智能在脑电图预测中的应用:混沌理论
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
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
利用混沌非线性吸引子实现低功耗的模拟计算方法,作为机器学习任务的通用平台提供卓越的性能,能够以毫瓦级功率与当前机器学习技术媲美,适用于聚类、回归和分类学习任务。
Sep, 2023
本文介绍了两种基于 Transformer 架构的深度学习模型(TMC-T 和 TMC-ViT)用于癫痫发作预测,探讨了选取不同持续时间的 preictal 状态和样本数量对模型的影响,并通过使用 CHB-MIT 数据库中的原始 EEG 信号进行实验和统计验证,证明 TMC-ViT 模型优于卷积神经网络 (CNN) 等其他网络。
Sep, 2022
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
使用物理知识启发的回声状态网络 (ESN) 预测混沌系统的演化,通过引入附加损失函数惩罚非物理预测,提高了预测可预见性,展示了机器学习和物理先验知识相结合的潜力。
Apr, 2019