通过混沌以组合方式学习模仿随机时间序列

本研究表明，混合 RNN 专家模型可以通过自组织混沌获得生成结合多种基本模式序列的能力。通过训练该模型，每个专家学习一种基本序列模式，而门控网络利用对初始条件的敏感依赖性，通过混沌动力学学习模仿多种基本模式的随机切换。作为演示，我们展示了一个数值模拟，其中模型通过混沌动力学学习了一些 Lissajous 曲线之间的马尔可夫链切换。我们的分析表明，通过使用足够量的训练数据并与网络记忆容量保持平衡，可以满足将目标随机序列嵌入混沌动力系统的条件。研究还表明，通过在模型动力学中添加微不足道的噪声量，可以稳定由混沌模型重建的随机时间序列。