Новый компьютерный подход к распознаванию хаоса

Хаос не всегда вреден для технологий, на самом деле он может иметь несколько полезных применений, если его можно обнаружить и идентифицировать. Хаос и его хаотическая динамика преобладают в природе, а также в промышленных устройствах и технологиях. Хотя хаос обычно считается негативным явлением, чем-то, что необходимо удалить из систем, чтобы обеспечить их оптимальную работу, существуют обстоятельства, при которых хаос может быть полезным и даже иметь важное применение. Отсюда растущий интерес к обнаружению и классификации хаоса в системах.

Новая статья, опубликованная в The European Physical Journal B под авторством Дагоберта Венкака Лиеджи и Джимми Эрве Талла Мбе из Исследовательского отдела конденсированных сред, электроники и обработки сигналов, Факультет физики, Университет Дшанг, Камерун, и Godpromesse Kenne, из Laboratoire d ' Automatique et d'Informatique Appliquee, Департамент электротехники, IUT-FV Bandjoun, Университет Дшанг, Камерун, предлагает использовать вычислитель коллектора на основе задержек с одним нелинейным узлом для выявления хаотической динамики.

В статье авторы показывают, что классификационные возможности этой системы устойчивы с точностью более 99 процентов. Изучая влияние длины временного ряда на производительность метода, они обнаружили, что более высокая точность достигается, когда для коротких временных рядов используется вычислитель пласта с одним нелинейным узлом, основанным на задержке. Для различения хаотической динамики в прошлом было разработано несколько кванторов, в первую очередь наибольший показатель Ляпунова (LLE), который отличается высокой надежностью и помогает отображать числовые значения, помогающие определить динамическое состояние системы.

Команда преодолела проблемы с LLE, такие как расходы, потребность в математическом моделировании системы и длительное время обработки, изучив несколько моделей глубокого обучения и обнаружив, что эти модели имеют низкие показатели классификации. Исключением была сверточная нейронная сеть с большим размером ядра (LKCNN), которая могла с высокой точностью классифицировать хаотические и нехаотические временные ряды. Таким образом, используя компьютерную систему Mackey-Glass (MG), основанную на задержке, для классификации нехаотического и хаотического динамического поведения, авторы продемонстрировали способность системы выступать в качестве эффективного и надежного квантификатора для классификации нехаотических и хаотических сигналов.

Они перечислили преимущества системы, которую они использовали, в том, что она не обязательно требует знания набора уравнений, а описывает динамику системы, а только данные из системы, а также тот факт, что нейроморфная реализация с использованием аналогового резервуарного компьютера позволяет реально - время обнаружения динамического поведения от данного осциллятора. Группа пришла к выводу, что будущие исследования будут посвящены компьютерам для работы с глубокими пластами, чтобы изучить их возможности в классификации более сложной динамики.

Источник