创建精细的数据集,以更好地检测混乱
Dariusz R Augustyn1, Katarzyna Harężlak1, Agnieszka Szczęsna2
1Department of Applied Informatics, Faculty of Automatic Control, Electronics and Computer Science, Silesian University of Technology, Akademicka 16, 44-100 Gliwice, Poland.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
这项研究引入了一种用于生成混乱信号的新方法,帮助分类器检测混乱. 通过使用长短期记忆 (LSTM) 神经网络创建并验证了精细信号的新数据集.
科学领域:
- 信号分析 信号分析
- 动态系统是动态系统.
- 混沌理论是一个混乱理论.
背景情况:
- 信号属性的分析,特别是生物医学信号,是一个不断增长的研究领域.
- 识别信号中的混乱属性是信号分析中的一个关键挑战.
- 现有的方法依赖于已知系统的合成信号来训练混乱检测分类器.
研究的目的:
- 提出一种用于生成和提取信号的新方法,以改进混乱检测分类器.
- 为培训和验证创建和公开发布精细信号的参考数据集.
- 为了利用混乱系统对初始条件的敏感依赖,这是混乱系统的特征.
主要方法:
- 从信号数据中重建多维相位空间.
- 应用数据聚类技术来组合具有相似初始条件的信号.
- 在初始条件中产生细微变化的信号组,以突出混乱的行为.
主要成果:
- 获取/提取信号的新方法,有效地训练分类器检测混乱.
- 创建可供公众使用的,精细信号的参考数据集.
- 通过使用长短期记忆 (LSTM) 神经网络的实验证明了新数据集的有用性.
结论:
- 提出的方法成功地产生了信号,增强了混乱检测能力.
- 新的数据集为推进信号分析和混乱检测研究提供了宝贵的资源.
- 这种方法在训练机器学习模型,如LSTM网络,以识别混乱动态方面是有效的.
