一种用于预测复杂混沌行为的多分支径向基网络方法

在本研究中，我们提出了一种多分支网络方法，用于预测以复杂和混沌行为为特征的物理吸引子的动力学。我们引入了一种独特的神经网络架构，由径向基函数（RBF）层与注意力机制相结合构成，旨在有效捕捉吸引子时间演化中固有的非线性相互依赖性。我们的结果利用包含约 28 分钟活动、36,700 个时间序列观测值的真实世界数据集，在 100 次预测中成功预测了吸引子的轨迹。为了进一步说明我们提出技术的性能，我们提供了描绘吸引子原始和预测行为的全面可视化，以及比较观测结果与估计结果的定量指标。总体而言，这项工作展示了先进机器学习算法在阐明复杂物理系统隐藏结构方面的潜力，同时为需要准确短期预测能力的各个领域提供了实际应用。