Компьютерная наука > Машинное обучение [представлено 7 января 2026 (v1), последний пересмотренный вариант 7 сентября 2026 года (эта версия, v3)] Название: Minimum Daily Classification для нелинейных динамических систем View PDF HTML (экспериментальное) резюме: Мы рассматриваем проблему классификации траекторий или последовательностей, генерируемых нелинийными динамическими системами, где каждый класс соответствует отдельной динамической системе. Мы предлагаем метод динафита, основанный на ядрах и изучающий расстояние между данными о подготовке и основной динамике. Новые наблюдения относятся к классу, чья динамика лучше всего соответствует наблюдениям согласно полученному алгоритму http-URL обучения приблизительно к оператору Koopman, который на глобальном уровне линейно определяет динамику в пространстве (потенциально бесконечное) параметров, связанных с функцией ядра. метрика расстояния рассчитывается в пространстве функции независимо от его размерности, используя трюк ядра, обычно используемый при машинном обучении. Функция ядра может быть приспособлена для включения в нее предварительных знаний о динамике, когда она имеется. Мы рассматриваем классический пример испытания, логистическую карту как дискретную динамическую систему и аналитически вычисляем ядро функции на основе полиномии Koopman, которая точно линейно определяет динамику. Динафит применяется к широкому кругу задач по классификации с использованием нелинейных динамических систем и датчиков. Мы иллюстрируем ее…
Классификация минимального расстояния для нелинейных динамических систем
arXiv: 2601.0402058v3 Тип уведомления: заменить резюме: мы решим проблему классификации траекторий или последовательностей, генерируемых нелинейными динамическими системами, в которых каждый класс соответствует отдельной динамической системе. Мы предлагаем метод динафита, основанный на ядрах и изучающий расстояние между данными о подготовке и основной динамике. Новые наблюдения относятся к классу, чья динамика лучше всего соответствует наблюдениям согласно усвоенной метрике. Алгоритм обучения аналогичен оператору Koopman, который на глобальном уровне линейно определяет динамику в (потенциально бесконечно-мерном) пространстве функции ядра. метрика расстояния рассчитывается в пространстве функции независимо от его размерности, используя трюк ядра, обычно используемый при машинном обучении. Функция ядра может быть приспособлена для включения в нее предварительных знаний о динамике, когда она имеется. Мы рассматриваем классический пример теста, логистическую карту как дискретную динамическую систему и вычисляем анальный
