Abstract: Y. Hirata, K. Aihara (2020)

Records for observing dynamics are usually complied by a form of time series. However, time series can be a challenging type of dataset for deep neural networks to learn. In deep neural networks, pairs of inputs and outputs are usually fed for constructive mapping. Such inputs are typically prepared as static images in successful applications. And so, here we propose two methods to prepare such inputs for learning the dynamical properties behind time series. In the first method, we simply array a time series in the shape of a rectangle as an image. In the second method, we convert a time series into a distance matrix using delay coordinates, or an unthresholded recurrence plot. We demonstrate that the second method performs well in inferring a slow driving force from observations of a forced system within which there are symmetry and almost invariant subsets.

Please note: The abstracts of the bibliography database may underly other copyrights.

Ihr Browser versucht gerade eine Seite aus dem sogenannten Internet auszudrucken. Das Internet ist ein weltweites Netzwerk von Computern, das den Menschen ganz neue Möglichkeiten der Kommunikation bietet.

Da Politiker im Regelfall von neuen Dingen nichts verstehen, halten wir es für notwendig, sie davor zu schützen. Dies ist im beidseitigen Interesse, da unnötige Angstzustände bei Ihnen verhindert werden, ebenso wie es uns vor profilierungs- und machtsüchtigen Politikern schützt.

Sollten Sie der Meinung sein, dass Sie diese Internetseite dennoch sehen sollten, so können Sie jederzeit durch normalen Gebrauch eines Internetbrowsers darauf zugreifen. Dazu sind aber minimale Computerkenntnisse erforderlich. Sollten Sie diese nicht haben, vergessen Sie einfach dieses Internet und lassen uns in Ruhe.

Die Umgehung dieser Ausdrucksperre ist nach §95a UrhG verboten.

Mehr Informationen unter www.politiker-stopp.de.

Deep Learning for Nonlinear Time Series: Examples for Inferring Slow Driving Forces