Reconstruction of Piecewise Chaotic Dynamic Using a Genetic Algorithm Multiple Model Approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Reconstruction of chaotic dynamics from its time-series measurement is an important problem for many engineering applications. In this paper, we propose using a novel multiple model (MM) predictor based on a genetic algorithm (GA) to reconstruct piecewise chaotic dynamics. The motivation relies on the observation that conventional single model is usually unable to reconstruct the piecewise dynamics properly because a piecewise map is nonsmooth. In our approach, multiple radial basis function (RBF) neural predictors are used to model the piecewise dynamic in different partition intervals. Switching between different intervals could be estimated by a nonlinear gate model. In particular, a GA is employed here to train the MM and to obtain the optimal RBF parameters. Compared to conventional chaos dynamic reconstruction techniques, the proposed GA-MM method is shown to greatly improve the reconstruction performance for piecewise chaotic dynamics. The superiority is further verified by applying the GA-MM method to model the real-life radar sea-clutter signal obtained from Nova Scotia (NS), Canada, and to predict the electric power pool price time series from Alberta (AB), Canada. Both kinds of real data show that the GA-MM is effective in building a dynamical model. The proposed GA-MM method is also applied to the channel equalization problem of chaos communication systems. Based on the minimum nonlinear prediction error equalization method, it is shown that the GA-MM method has a satisfactory equalization performance even under strong channel effects.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle