logistic map
PulseAugur coverage of logistic map — every cluster mentioning logistic map across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
自回归 Transformer 展现出预测混沌动力学的惊人能力
一篇新的研究论文探讨了自回归 Transformer 理解和预测复杂混沌系统的能力，即使在有限数据上进行训练。研究表明，当这些模型接触到logistic映射或Lorenz系统等系统的受限参数范围时，它们能够以高保真度推断到未见的动力学。值得注意的是，一个 Transformer 模型为logistic映射重现了高达 128 周期的倍周期级联，与Feigenbaum常数非常接近，这表明对局部行为的狭窄观察足以让 Transformer …
-
新的核方法对非线性动力系统进行分类
研究人员开发了Dynafit，一种用于对非线性动力系统生成的轨迹进行分类的新型基于核的方法。该方法在特征空间中学习距离度量，该特征空间近似于Koopman算子，从而有效地线性化了动力学。该方法利用核技巧进行高效计算，而不受特征空间维度的影响，并且可以纳入动力学先验知识。Dynafit已在混沌检测、手写动力学模式识别和视觉动态纹理分类等任务中证明了其有效性。
-
新方法可从短轨迹估计负李雅普诺夫指数
研究人员开发了一种新颖的方法，无需依赖控制方程或解析雅可比矩阵，即可从短轨迹集合中估计负李雅普诺夫指数。这种具有周期感知的预测误差收缩过程将预测与检测到的轨道周期同步，并使用 k-最近邻预测器来分析样本外预测误差。该技术在 Logistic 映射和二维映射上表现出高精度，以低平均绝对误差和高 R 平方值恢复了相当大比例的负指数参数值。
-
新的混沌对比学习方法提高了纹理分类精度
研究人员开发了一种新的纹理分类框架，该框架将自监督学习与混沌动力学相结合。这种方法使用混沌映射作为数据增强来训练网络学习鲁棒特征，模拟复杂的环境噪声。然后，系统融合了高级语义信息和低频结构特征，以提高在各种基准测试上的准确性。