Key points are not available for this paper at this time.
Die Verarbeitung von hochdimensionalen und großangelegten Zeitreihen hat über Jahrzehnte großes Forschungsinteresse geweckt. Traditionelle Methoden haben Schwierigkeiten, den Evolutionszustand in dynamischen Systemen aufzudecken und die Beziehungen zwischen Variablen automatisch zu entdecken. In diesem Papier schlagen wir ein einheitliches Rahmenwerk für nichtuniforme Einbettung, Aufdeckung dynamischer Systeme und Zeitreihenvorhersage vor, das als Strukturiertes Mannigfaltigkeits-Breit-Lernsystem (SM-BLS) bezeichnet wird. Das strukturierte Mannigfaltigkeitslernen wird gleichzeitig für nichtuniforme Einbettung und unüberwachtes Mannigfaltigkeitslernen eingeführt. Grapheneinbettung und Merkmalsauswahl werden beide in Betracht gezogen, um die intrinsischen Strukturexplikationen zwischen chaotischen Zeitreihen und ihrer niederdimensionalen Mannigfaltigkeit darzustellen. Im Vergleich zu traditionellen Methoden könnte das vorgeschlagene Rahmenwerk potenzielle deterministische Evolutionsinformationen dynamischer Systeme entdecken und die Modellierung nachvollziehbarer gestalten. Es bietet uns einen einheitlichen Weg, um den chaotischen Attraktor aus multivariaten und heterogenen Zeitreihen wiederherzustellen. Simulationsanalysen und Ergebnisse zeigen, dass SM-BLS Vorteile in der dynamischen Entdeckung und Merkmalsselektion bei der Vorhersage von großangelegten chaotischen Zeitreihen hat.
Han et al. (Mon,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: