深度学习预测与分类分段光滑映射的动力学行为
机器学习
2024-06-26 v1 混沌动力学
摘要
本文探讨了使用多种深度学习模型预测分段光滑映射动力学行为的方法。我们展示了利用深度学习模型预测分段光滑映射动力学的多种新颖方式。此外，我们使用了决策树分类器、逻辑回归、K近邻、随机森林和支持向量机等机器学习模型，预测一维标准型映射和一维帐篷映射中的边界碰撞分岔。进一步，我们通过蛛网图和相图，使用卷积神经网络(CNN)、ResNet50和ConvLSTM等深度学习模型，对一维帐篷映射和二维Lozi映射的规则与混沌行为进行了分类。我们还使用前馈神经网络(FNN)、长短期记忆网络(LSTM)和循环神经网络(RNN)等深度学习模型，对三维分段光滑映射的混沌与超混沌行为进行了分类。最后，使用长短期记忆网络(LSTM)和循环神经网络(RNN)等深度学习模型，重构了二维边界碰撞分岔标准型映射的两个参数图。
引用
@article{arxiv.2406.17001,
title = {Deep Learning for Prediction and Classifying the Dynamical behaviour of Piecewise Smooth Maps},
author = {Vismaya V S and Bharath V Nair and Sishu Shankar Muni},
journal= {arXiv preprint arXiv:2406.17001},
year = {2024}
}
备注
32 pages, 22 figures