Adaptive evaluation of complex time series using nonconventional neural units
Notice bibliographique
Résumé
This paper introduces new adaptive methodology for monitoring of variability (level of chaos) of complex time series by utilization of cognitive capabilities of nonconventional neural architectures. Real-time sample-by-sample evaluation of complex system behavior is based on monitoring of adaptable parameters of neural architectures during their adaptation. The level and changes of complexity of system behavior are adaptively monitored in real time and can be stored for further evaluation. The proposed technique performs sensitivity-scalable sample-by-sample monitoring and variability change detection of system behavior that is achieved as the system output behavior is transformed to approximated system parameter space by the adaptation of a special forced higher-order nonlinear neural unit. The nonconventional neural unit is implemented as an adaptive forced nonlinear dynamic oscillators, i.e., with adaptable forcing periodic inputs. Adding forcing adaptable inputs increases the approximating capability of neural architecture; the forcing adaptable neural inputs are initially configured upon analysis of frequency spectra of the evaluated time series. It is demonstrated that monitoring of system parameters during the adaptation of forced dynamic neural architecture can reveal important attributes of complex system behavior in real time, and it is capable of sensitive both instantaneous and long-term monitoring of changes of chaotic system behavior. In principle, the proposed methodology is universal and is not limited to evaluation of only time series and not only by nonconventional neural units. Simulation results on deterministic, however, highly chaotic data are shown to explain the new methodology and to demonstrate its capability to reflect the level of chaos in a signal and to detect small changes of chaos in a signal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».