论文部分内容阅读
深度学习预测混沌时间序列
【摘 要】
:
混沌时间序列是从混沌系统中观测得到的随时间演化的序列,由于对初始状态的极端敏感性,其预测问题一直是科学领域的一个热点与难点。近年来,深度学习技术的快速发展推动了其在物理中的广泛应用。其中,储备池计算(reservoir computing)方法由于在混沌时间序列预测方面的卓越效果而受到了越来越多地重视,形成了一个新的研究热点。本文将探究如何使用深度学习技术从混沌系统过去的数据中有效预测未来的时间序
【机 构】
:
厦门大学
【出 处】
:
厦门大学
【发表日期】
:
2020年07期
其他文献
缺陷在液晶中广泛存在。拓扑缺陷来源于连续对称性的破坏。凝聚态中的缺陷分为两种:位错和向错。本文基于Landau-de Gennes理论,对不同边界条件下引起的缺陷进行了分析与讨论。本文利用松弛方法,研究了不同边界引起的缺陷结构。文中设置了三种边界:平面边界、单台阶边界和双台阶边界。通过数值计算分别得出平衡态时不同边界下系统的二阶序参数张量,三个本征值以及双轴性参数。结果表明向错中心存在本征值交换。
磁化率成像是一种基于相位信息的磁共振成像(magnetic resonance imaging,MRI)技术,已经成为MRI领域的新热点之一。磁化率加权成像(susceptibility weighted imaging,SWI)和定量磁化率成像(quantitative susceptibility mapping,QSM)是近年发展起来的具有代表性的磁化率成像技术。SWI通过相位信息(或磁化率
学位