Nonlinear dynamical systems for automatic speech recognition
PulseAugur coverage of Nonlinear dynamical systems for automatic speech recognition — every cluster mentioning Nonlinear dynamical systems for automatic speech recognition across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
傅里叶神经网络算子学习非线性系统的李雅普诺夫函数
研究人员开发了一种使用傅里叶神经网络算子（FNOs）来近似非线性动力学系统的李雅普诺夫函数的方法。该方法旨在克服寻找李雅普诺夫函数的挑战，李雅普诺夫函数对于稳定性分析至关重要，但通常是系统特定的。该研究为李雅普诺夫解算子建立了理论基础，证明了其在某些稳定性假设下的明确定义性和连续性。数值实验表明，一个经过训练的FNO可以准确地近似参数化动力学家族的李雅普诺夫函数，凸显了神经网络算子在该领域的潜力。
-
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。
-
新的基于脉冲的贝叶斯控制框架集成了神经模型
研究人员开发了一个新颖的贝叶斯控制框架，该框架将基于脉冲的动力学与概率推理相结合，用于自适应控制。该框架利用受生物学启发的脉冲神经网络模型，结合贝叶斯推理原理，创建了一个类大脑的控制算法。在山地汽车停车问题上进行了测试，该控制器通过脉冲驱动的动力学展示了实时状态更新和目标导向的动作生成，表明其有潜力成为计算神经科学与概率控制理论之间的桥梁。
-
新方法将非线性动力学提炼为线性状态空间模型
研究人员开发了一种从非线性动力学系统学习线性状态空间模型的新颖流程。这种称为光谱蒸馏（Spectral Distillation）的方法，首先使用观测光谱滤波（Observation Spectral Filtering, OSF）通过凸优化方法学习隐式谱预测器。随后，该预测器被转换为显式的循环线性动力学系统。该方法在预测误差上提供了可证明的保证，其误差依赖于观测器复杂度而非潜在维度，并在线性基准和 MuJoCo 行为克隆的实验中证明了其有效性。
-
新的传输滤波方法改进了非线性、非高斯近似
研究人员开发了一种新的无似然传输滤波方法，该方法利用状态变量和观测变量之间的耦合。该方法将滤波分析步骤重新表述为最小化真实联合测度和近似联合测度之间的最大均值差异（MMD）。该方法提供了传输图的解析计算，避免了粒子坍塌，并能准确近似非高斯滤波后验，在非线性、非高斯场景中表现出优越的性能。