Chaotic Time Series Prediction of Multi‐Dimensional Nonlinear System Based on Bidirectional LSTM Model
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
Abstract The current work proposes a hybrid data‐driven model—Convolutional bidirectional long–short term memory (CNN‐BLSTM) for predicting chaotic behavior of three‐coupled Duffing oscillator nonlinear system, in which the CNN is for efficiently extracting the more robust and informative representations of chaotic sequences while the BLSTM is for holding the long‐term dependencies combining the past and future contexts. Different from traditional analytical and numerical approaches, the proposed prediction model features the benefit of focusing on the measured data solely without extensive professional domain knowledge. Additionally, three more recurrent neural network (RNN) models, including simple RNNs, stack LSTMs, and BLSTM, are built and comparisons of generalization performances to the CNN‐BLSTM are conducted. From the findings so far, the CNN‐BLSTM is able to learn the pattern of chaotic time sequence data with less training time and apply the acquired knowledge to the unseen dataset with lower errors. Moreover, the current work decently demonstrates that the proposed model outperforms other three models in terms of stability at different noise levels from two evaluation criteria. The CNN‐BLSTM provides useful guidance for the consideration of predicting multi‐dimensional nonlinear chaotic behavior.
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