机构名称：
¥ 1.0
预测系统行为是复杂系统理论中遇到的一项基本任务。机器学习提供监督算法，例如循环神经网络和储层计算机，它们可以预测由多维时间序列组成的模型系统的行为。在现实生活中，我们通常对复杂系统的行为了解有限。最典型的例子是脑电图描述的大脑神经网络。预测这些系统的行为是一项更具挑战性的任务，但为实际应用提供了潜力。在这里，我们训练储层计算机来预测相位振荡器网络产生的宏观信号。李雅普诺夫分析揭示了信号的混沌性质，储层计算机无法预测它。使用 Takkens 定理增强特征空间可以提高预测质量。当信号数量与通过最近假邻居方法估计的嵌入维度一致时，RC 获得了最佳预测分数。我们发现短期预测需要大量特征，而长期预测则使用有限数量的特征。这些结果涉及偏差-方差权衡，这是机器学习中的一个重要概念。
使用库计算预测自适应仓本网络中的宏观动态
主要关键词
相关文件推荐
