摘要
探索非线性动力系统的特征是多领域中的重要课题。当已知其控制方程时，此类分析较为直接；否则，如在生物数据的处理中，则需采用替代方法。本文提出了一种此类方法，并是先前利用机器学习以及基于已知动力学系统生成的合成数据集来区分混沌与非混沌行为研究的延续。这些数据集被用于提取精细表示，即具有相似初始条件的数据组。该方法依赖于相空间重构和数据聚类。精细表示被用于通过长短期记忆（LSTM）网络对系统动力学进行分类。该模型同时在无噪声和含噪声数据上进行训练，并在来自不同动力学系统的含噪声测试集上进行了评估。所得的精细表示的实验结果与原始表示的结果进行了比较。实验表明，基于精细表示训练的模型通常能取得更好的分类性能，尤其是在中等至高噪声条件下。然而，这一优势并非在所有噪声条件下都保持一致，表明精细表示的有效性取决于噪声的类型和水平，以及训练数据的噪声特征。
