研究人员开发了一种新颖的机器学习框架，可以在无需系统控制方程的情况下识别标量时间序列数据中的瞬态混沌。这种几何引导方法结合了预测轨迹发散和吸引子形态，以跟踪系统行为的突然变化。该方法使用k近邻预测误差来估计不稳定性，并将其映射到结构相似性矩阵，针对分析基线进行了验证，以提高过渡跟踪和噪声鲁棒性。 AI
影响 引入了一种分析复杂非平稳系统的新型无方程框架，有可能改善依赖于时间序列数据的领域的诊断。
排序理由 该集群包含一篇详细介绍新机器学习方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2606.07385v1 Announce Type: cross Abstract: Detecting transient chaos from scalar observations without governing equations represents a fundamental challenge in nonlinear dynamics. We propose a geometry-guided machine learning framework that unifies predictive trajectory di…
Detecting transient chaos from scalar observations without governing equations represents a fundamental challenge in nonlinear dynamics. We propose a geometry-guided machine learning framework that unifies predictive trajectory divergence with macroscopic attractor morphology to …