論文の概要: Prediction of chaotic attractors in quasiperiodically forced logistic
map using deep learning
- arxiv url: http://arxiv.org/abs/2203.11151v1
- Date: Fri, 18 Mar 2022 06:27:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-22 18:39:24.652665
- Title: Prediction of chaotic attractors in quasiperiodically forced logistic
map using deep learning
- Title（参考訳）: ディープラーニングを用いた準周期強制ロジスティックマップにおけるカオス的アトラクタの予測
- Authors: J. Meiyazhagan and M. Senthilvelan
- Abstract要約: 我々は、よく知られたディープラーニングフレームワークLong Short-Term Memoryを用いて、準周期的に強制されたロジスティックマップの2つのカオス力学を予測した。
予測値はRoot Mean Square Errorと呼ばれるメトリクスを用いて評価され、散乱プロットを用いて視覚化される。
本稿では,3段階までのカオス的アトラクタ予測において,Long Short-Term Memoryモデルの有効性を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We forecast two different chaotic dynamics of the quasiperiodically forced
logistic map using the well-known deep learning framework Long Short-Term
Memory. We generate two data sets and use one in the training process and the
other in the testing process. The predicted values are evaluated using the
metric called Root Mean Square Error and visualized using the scatter plots.
The robustness of the Long Short-Term Memory model is evaluated using the
number of units in the layers of the model. We also make multi-step forecasting
of the considered system. We show that the considered Long Short-Term Memory
model performs well in predicting chaotic attractors upto three steps.
- Abstract（参考訳）: 我々は,よく知られたディープラーニングフレームワークであるlong short-term memoryを用いて,準周期的強制ロジスティックマップの2つのカオスダイナミクスを予測した。
2つのデータセットを生成し、トレーニングプロセスで1つ、テストプロセスで1つを使用します。
予測値はRoot Mean Square Errorと呼ばれるメトリクスを用いて評価され、散乱プロットを用いて視覚化される。
長期短期記憶モデルのロバスト性は、モデルの層内の単位数を用いて評価される。
また,検討対象システムの多段階予測を行う。
本研究では, 長期記憶モデルが3段階までのカオス的アトラクタの予測に有効であることを示す。
関連論文リスト
- Data-Driven Strategies for Coping with Incomplete DVL Measurements [15.619053656143564]
現実のシナリオでは、不完全なドップラー速度測定が行われ、位置決めエラーやミッション中止が発生する。
本稿では,LiBeamsNetとMissBeamNetの2つの最先端ディープラーニング手法の比較分析を行った。
両ディープラーニングアーキテクチャは,速度予測精度が16%以上向上した。
論文 参考訳（メタデータ） (2024-01-28T10:17:36Z) - Reservoir computing with logistic map [0.0]
本稿では,仮想ノードを貯水池計算の貯水池として構築し,時間的・非時間的タスクを予測する手法を示す。
時間的タスクに対してはLorenz, Rossler, Hindmarsh-Roseの3つの非線形系を予測し, 高精度な非時間的タスクに対しては7位とした。
注目すべきは、ロジスティックマップがうまく機能し、実際の値や対象値に近いものを予測することである。
論文 参考訳（メタデータ） (2024-01-17T09:22:15Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳（メタデータ） (2023-06-09T15:38:25Z) - A two stages Deep Learning Architecture for Model Reduction of
Parametric Time-Dependent Problems [0.0]
パラメトリックな時間依存システムは、実現象をモデル化する上で非常に重要である。
本稿では,低計算時間でその一般化を実現するための一般的な2段階のディープラーニングフレームワークを提案する。
その結果, キャビティ内における非圧縮性ナビエ・ストークス方程式に適用した。
論文 参考訳（メタデータ） (2023-01-24T11:24:18Z) - TempSAL -- Uncovering Temporal Information for Deep Saliency Prediction [64.63645677568384]
本稿では,逐次時間間隔でサリエンシマップを出力する新たなサリエンシ予測モデルを提案する。
提案手法は,学習した時間マップを組み合わせることで,サリエンシ予測を局所的に調整する。
私たちのコードはGitHubで公開されます。
論文 参考訳（メタデータ） (2023-01-05T22:10:16Z) - Model-free prediction of emergence of extreme events in a parametrically
driven nonlinear dynamical system by Deep Learning [0.0]
パラメトリック駆動非線形力学系における極端な事象の発生を予測する。
我々は3つのディープラーニングモデル、すなわちMulti-Layer Perceptron、Convolutional Neural Network、Long Short-Term Memoryを使用する。
長短期記憶モデルがカオス時系列の予測に最適であることがわかった。
論文 参考訳（メタデータ） (2021-07-14T14:48:57Z) - Meta-Learning for Koopman Spectral Analysis with Short Time-series [49.41640137945938]
既存の手法では、ニューラルネットワークのトレーニングに長い時間を要する。
本稿では,未知の短い時系列から埋め込み関数を推定するメタラーニング手法を提案する。
提案手法は,固有値推定と将来予測の観点から,よりよい性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-02-09T07:19:19Z) - A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。
線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。
以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文 参考訳（メタデータ） (2020-10-27T17:56:14Z) - Robust Long-Term Object Tracking via Improved Discriminative Model
Prediction [77.72450371348016]
本稿では,事前学習した短期トラッカーをベースとした,堅牢な長期追跡のための識別モデル予測手法を提案する。
提案手法は,最先端の長期トラッカーに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2020-08-11T14:31:11Z) - Multioutput Gaussian Processes with Functional Data: A Study on Coastal
Flood Hazard Assessment [0.0]
我々は,時変入力を考慮した代理モデルを導入し,空間的に変化する内陸浸水に関する情報を提供する。
いくつかの実験では、学習マップと観測されていないマップの推論の両方において、モデルの汎用性を示す。
我々のフレームワークは予測と早期警告システムにとって有望なアプローチであると結論付けている。
論文 参考訳（メタデータ） (2020-07-28T08:15:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。