Lorenz
PulseAugur coverage of Lorenz — every cluster mentioning Lorenz across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的fSRD框架自动实现混沌系统的Koopman表示
研究人员推出了一种名为模糊谱区域分解（fSRD）的新型框架，旨在对高度非线性的混沌动力学系统进行建模。该方法通过多算子自动估计有限Koopman表示，克服了现有Koopman方法在全局有效算子方面的局限性。fSRD通过受模糊神经网络架构启发的全局模糊树模型，自适应地构建局部不变嵌入，以高效且可解释的方式学习系统动力学。在Lorenz和Duffing等典型混沌系统以及高维现实世界数据上的实证结果表明，fSRD在各种数据模式下都具有强大的…
-
新的CW-EDMD方法改进了复杂系统的Koopman算子近似 · 跟踪2个来源
研究人员开发了簇加权扩展动态模式分解（CW-EDMD），一种从数据中近似Koopman算子的新颖方法。该方法通过学习软相空间划分和每个簇的算子，解决了具有不同局部动力学系统的单一全局算子效率低下的问题。CW-EDMD利用期望最大化目标，该目标同时考虑了几何邻近性和预测残差，使簇能够专注于局部Koopman模型准确的地方。在Lorenz、阻尼摆和Duffing系统上的实验表明，与匹配度EDMD相比，误差显著降低，中位数一步误差分别降低了…
-
新型神经卡尔曼滤波器增强分布式传感能力
研究人员开发了一种新颖的分布式传感框架，称为协方差无关神经卡尔曼共识滤波器（CA-NKCF）。该框架使智能体之间能够进行协作式潜在状态估计，而无需了解噪声统计信息。实验表明，CA-NKCF在各种条件下（包括线性、混沌和无线跟踪环境）的性能和鲁棒性均优于传统的卡尔曼滤波器和粒子滤波器，以及无模型深度神经网络。
-
新的建模策略解决了混沌系统预测基准问题
研究人员开发了一种新颖的“分而治之”建模策略，专门用于CTF-4-Science Lorenz基准测试。这种方法为基准测试中的不同预测任务量身定制了不同的模型类别，而不是对所有场景使用单一模型。该系统通过采用平滑重建进行去噪、使用NG-RC/NVAR模型进行长期预测以及使用拟合的Lorenz过渡校正进行短期预测等技术，取得了79.63的最终公开分数，证明了特定场景更新的有效性。
-
混合预测系统在洛伦兹挑战赛中名列前茅
研究人员为CTF4Science洛伦兹挑战赛开发了一个度量感知的混合预测系统，该挑战涉及多个预测和重构任务。他们的方法结合了不同的模型家族，包括预训练去噪器、ODE拟合和直方图尾部替换，以有效处理每个度量家族。使用该系统的一个提交在公开排行榜上获得了83.85529分，证明了其混合策略的有效性。
-
新的物理信息扩散模型增强了混沌系统重构能力
研究人员开发了PIDM-DP，一种新颖的物理信息扩散模型，它将Dormand-Prince常微分方程积分器集成到去噪扩散概率模型中。该方法约束生成的轨迹以高精度遵守控制方程，解决了从稀疏、噪声数据中重构混沌动力学系统的挑战。PIDM-DP在重构精度上表现出显著的改进，优于现有方法，尤其是在刚性系统上。
-
New MCMC framework enhances time series generation by preserving temporal dynamics
研究人员开发了一个新的框架，使用马尔可夫链蒙特卡洛（MCMC）方法来改进合成时间序列数据的生成。现有的生成模型通常无法保留真实世界数据中存在的时间动态，导致不准确。这种新颖的方法通过强制与数据点之间经验转移统计数据的一致性来解决分布偏移和时间漂移问题。实验表明在各种指标上都有显著改进，表明保留转移定律对于准确的时间序列生成至关重要。
-
新研究表明即时导数足以满足在线循环自适应
研究人员开发了一种新的在线循环自适应方法，该方法显著降低了计算要求。他们的方法，称为“即时导数足以满足”，消除了传播雅可比张量的需要，将每步的内存使用量从 O(n^4) 减少到 O(n^2)。该方法在各种合成数据集和真实世界的脑机接口数据上展示了与传统 RTRL 相当的性能，在不产生可衡量恢复成本的情况下实现了显著的内存节省。