通过傅里叶分析与无监督学习对 chimera 态进行分类
斑图形成与孤子
2026-05-12 v1 无序系统与神经网络
适应与自组织系统
混沌动力学
计算物理
摘要
Chimera 态是非线性动力学中最引人注目的现象之一，其特征是在耦合的相同振荡器系统中相干与非相干行为的共存。已经提出了许多方法来检测 chimera 态并区分其不同类型。然而，这些方法通常受到重要限制的困扰，无法实现足够精确的分类。在这项工作中，我们通过考虑一种基于傅里叶分析的方法来确定关键信号特征（如幅度、相位和频率），并结合对归一化总变差（上述动力学特征的局部空间变化度量）进行无监督聚类步骤，克服了这一问题。所提出的方法不仅使我们能够识别参数空间中返回 chimera 态的区域，还能进一步区分不同类型。该方法被应用于 Rayleigh 振荡器网络，该网络已被证明展现出丰富多样的动力学模式。
引用
@article{arxiv.2605.09401,
title = {Classification of Chimera States via Fourier Analysis and Unsupervised Learning},
author = {Rommel Tchinda Djeudjo and Riccardo Muolo and Thierry Njougouo and Timoteo Carletti},
journal= {arXiv preprint arXiv:2605.09401},
year = {2026}
}