دانلود پاورپوینت ,Sparse Recovery and Dictionary Learning to Identify

مدلسازی سیستم های دینامیک واقعی یک چالش مهم در بسیاری از زمینه های علمی هستند . استخراج معادلات حاکم بر سیستم از سری‌های زمانی خود یک راه‌حل احتمالی برای چنین چالشی هستند. در این مقاله ما از بازیابی پراکنده و یادگیری فرهنگ لغت برای استخراج معادلات حاکم بر یک سیستم با توابع پایه پارامتری استفاده می‌کنیم. در این الگوریتم، فرض کمبود در توابع معادلات دینامیکی مورد استفاده قرار می‌گیرد. الگوریتم پیشنهادی به انواع مختلفی از سیستم‌های دینامیکی غیر خطی پیوسته و گسسته اعمال می‌شود تا قابلیت تعمیم این روش را نشان دهد. از طرف دیگر انتقال از یک سازمان دینامیکی به دیگر یک مفهوم مهم در مطالعه سیستم‌های پیچیده دنیای واقعی مانند سیستم‌های بیولوژیکی و آب و هوایی است. 

  ​توان Lyapunov یک شاخص هشدار اولیه است. این مدل می‌تواند نقاط bifurcation در سیستم‌های دینامیکی را پیش‌بینی کند. محاسبه توان Lyapunov یک چالش بزرگ در کاربرد آن در سیستم‌های واقعی است، زیرا به داده‌های زمانی طولانی نیاز دارد تا دقیق باشد. در این مقاله ما از معادله حاکم پیش‌بینی‌شده برای تولید سری‌های زمانی بلند استفاده می‌کنیم که برای محاسبه توان Lyapunov مورد نیاز است. بنابراین روش پیشنهادی می‌تواند به ما کمک کند تا نقاط bifurcation را با محاسبه دقیق توان Lyapunov پیش‌بینی کنیم.

​کلمات کلیدی: کدگذاری مجدد؛ یادگیری فرهنگ لغت ; معادله حاکم ;​ نقاط  bifurcation ( نقاط انشعاب )

تعداد صفحه35