ترجمه فارسی مقاله پیش‌بینی رفتار سیستم‌های آشوبناک با استفاده از تکنیک‌های یادگیری ماشین

چکیده

Recently, machine learning techniques, particularly deep learning, have demonstrated superior performance over traditional time series forecasting methods across various applications, including both single-variable and multi-variable predictions. This study aims to investigate the capability of i) Next Generation Reservoir Computing (NG-RC) ii) Reservoir Computing (RC) iii) Long short-term Memory (LSTM) for predicting chaotic system behavior, and to compare their performance in terms of accuracy, efficiency, and robustness. These methods are applied to predict time series obtained from four representative chaotic systems including Lorenz, Rössler, Chen, Qi systems. In conclusion, we found that NG-RC is more computationally efficient and offers greater potential for predicting chaotic system behavior.

چکیده به فارسی (ترجمه ماشینی)

اخیراً ، تکنیک های یادگیری ماشین ، به ویژه یادگیری عمیق ، عملکرد برتر را نسبت به روشهای پیش بینی سری سنتی در برنامه های مختلف ، از جمله پیش بینی های تک متغیر و چند متغیره نشان داده اند.این مطالعه با هدف بررسی توانایی i) محاسبات مخزن نسل بعدی (NG-RC) II) محاسبات مخزن (RC) III) حافظه کوتاه مدت بلند مدت (LSTM) برای پیش بینی رفتار سیستم هرج و مرج و مقایسه عملکرد آنها از نظردقت ، کارآیی و استحکام.این روشها برای پیش بینی سری زمانی به دست آمده از چهار سیستم آشوب آور نماینده از جمله لورنز ، روسلر ، چن ، سیستم QI استفاده می شود.در نتیجه ، ما دریافتیم که NG-RC از نظر محاسباتی کارآمدتر است و پتانسیل بیشتری را برای پیش بینی رفتار سیستم هرج و مرج ارائه می دهد.