.png){kind=icon}
返回
Classifying Complex Dynamical and Stochastic Systems via Physics-Based Recurrence Features
.png){kind=icon}
PRE
AI
DOI：10.1007/s13538-025-01969-6.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究中，我们采用近期发展的复发微状态概率作为特征，以提高几种成熟机器学习（ML）算法的准确性。这些算法被应用于分类离散和连续动力系统，以及有色噪声。我们证明，由该方法量化的动力学特征能够在复发微状态空间中有效捕捉，该空间仅由信号的复发属性定义。这种空间变换降低了维度，同时也减少了执行计算和获取关于基础系统相关信息所需的时间。此外，我们还证明，当与复发微状态结合时，少数最优机器学习（ML）算法在分类方面特别有效。而且，这些新的机器学习向量显著降低了内存使用和计算复杂度，其性能优于对原始数据的直接分析。
Keyword:
Recurrence microstates
Machine learning
Dynamical systems
Classification algorithms
期刊
IF:
1.7
论文数:
225
被引数:
2.3K
机构
引用论文
Naive Bayes: applications, variations and vulnerabilities: a review of literature with code snippets for implementation朴素贝叶斯: 应用，变化和漏洞: 带有代码片段的文献综述.png)
SOFT COMPUTING
SOFT COMPUTINGIF2.5
PREAI
分享收藏Detection of data corruption in stationary time series using recurrence microstates probabilities利用重现微状态概率检测平稳时间序列中的数据损坏
PREAI
分享收藏
查看更多内容