Определение структуры связей в хаотических и стохастических системах при помощи нейронной сети

Обложка

Цитировать

Полный текст

Аннотация

Работа посвящена исследованию алгоритма определения связанности ансамбля хаотических систем с шумом при помощи искусственных нейронных сетей (ИНС). Метод основан на определении причинности по Грэнджеру и использовании искусственных нейронных сетей прямого распространения, обучаемых с регуляризацией. В качестве исследуемой системы выбран ансамбль из двух связанных кубических отображений с диффузионной однонаправленной и взаимной связями. Рассматривается применимость алгоритма как для строго детерминированной системы, так и для системы с аддитивным гауссовым шумом небольшой интенсивности. Результаты показали возможность использования ИНС для выявления степени влияния подсистем друг на друга, а также для оценки величины коэффициентов связи. При этом, шум небольшой интенсивности практически не влияет на результаты измерений. Более того, шум может играть конструктивную роль, позволяя определять связанность в тех случаях, когда в «чистых» системах измерения становятся невозможными, например, в режиме синхронизации хаоса или в случае регулярных режимов.

Об авторах

Алексей Владимирович Шабунин

Саратовский национальный исследовательский государственный университет имени Н. Г. Чернышевского

ORCID iD: 0000-0002-3495-9418
SPIN-код: 2418-5776
410012, Россия, г. Саратов, ул. Астраханская, 83

Список литературы

  1. Granger C. W. J. Investigating causal relations by econometric models and cross-spectral methods // Econometrica. 1969. Vol. 37, iss. 3. P. 424–438. https://doi.org/10.2307/1912791
  2. Granger C. W. J. Testing for causality. A personal viewpoint // J. Economic Dynamics and Control. 1980. Vol. 2. P. 329–352. https://doi.org/10.1016/0165-1889(80)90069-X
  3. Сысоев И. В. Диагностика связанности по хаотическим сигналам нелинейных систем: решение обратных задач. Саратов : Издательство «КУБиК», 2019. 46 c.
  4. Hesse R., Molle E., Arnold M., Schack B. The use of time-variant EEG Granger causality for inspecting directed interdependencies of neural ansemblies // Journal of Neuroscience Methods. 2003. Vol. 124, iss. 1. P. 27–44. https://doi.org/10.1016/S0165-0270(02)00366-7
  5. Безручко Б. П., Пономаренко В. И., Прохоров М. Д., Смирнов Д. А., Тасс П. А. Моделирование и диагностика взаимодействия нелинейных колебательных систем по хаотическим временным рядам (приложение в нейрофизиологии) // Успехи физических наук. 2008. Т. 178, № 3. С. 323–329. https://doi.org/10.3367/UFNr.0178.200803h.0323
  6. Мохов И. И., Смирнов Д. А. Диагностика причинно-следственной связи солнечной активности и глобальной приповерхностной температуры Земли // Известия РАН. Физика атмосферы и океана. 2008. T. 44, № 3. С. 283–293.
  7. Мохов И. И., Смирнов Д. А. Эмпирические оценки воздействия естественных и антропогенных факторов на глобальную приповерхностную температуру // Доклады Академии наук. 2009. Т. 426, № 5. С. 679–684. EDN: KMLUCJ
  8. Сысоев И. В., Караваев А. С., Наконечный П. И. Роль нелинейности модели в диагностике связей при патологическом треморе методом грейнджеровской причинности // Известия вузов. Прикладная нелинейная динамика. 2010. Т. 18, № 4. С. 81–90. https://doi.org/10.18500/0869-6632-2010-18-4-81-90
  9. Сысоева М. В., Сысоев И. В. Математическое моделирование динамики энцефалограммы во время эпилептического припадка // Письма в ЖТФ. 2012. Т. 38, № 3. С. 103–110.
  10. Sysoev I. V., Sysoeva M. V. Detecting changes in coupling with Granger causality method from time series with fast transient processes // Physica D. 2015. Vol. 309. P. 9–19. https://doi.org/10.1016/j.physd.2015.07.005
  11. Chen Y., Rangarajan G., Feng J., Ding M. Analyzing multiple nonlinear time series with extended Granger causality // Physics Letters A. 2004. Vol. 324, № 1. P. 26–35. https://doi.org/10.1016/j.physleta. 2004.02.032
  12. Marinazzo D., Pellicoro M., Stramaglia S. Nonlinear parametric model for Granger causality of time series // Physical Review E. 2006. Vol. 73, iss. 6, pt. 2. Art. 066216. https://doi.org/10.1103/PhysRevE.73.066216
  13. Корнилов М. В., Сысоев И. В. Реконструкция архитектуры связей в цепочке из трех однонаправленно связанных систем методом причинности по Грейнджеру // Письма в ЖТФ. 2018. Т. 44, вып. 10. С. 86–95. https://doi.org/10.21883/PJTF.2018.10.46103.17201
  14. Grishchenko A. A., van Rijn C. M., Sysoev I. V. Methods for statistical evaluation of connectivity estimates in epileptic brain // Journal of Biological Systems. 2023. Vol. 31, № 02. P. 673–690. https://doi.org/10.1142/S0218339023500237
  15. Хайкин С. Нейронные сети. Полный курс. М. : Издательский дом «Вильямс», 2006. 1104 с.
  16. Галушкин А. И. Нейронные сети: основы теории. М. : Издательство «Горячая линия – Телеком, 2012. 496 с.
  17. Kulkarni D. R., Parikh J. C., Pandya A. S. Dynamic predictions from time series data – an artificial neural network approach // International Journal of Modern Physics C. 1997. Vol. 8, № 06. P. 1345–1360. https://doi.org/10.1142/S0129183197001193
  18. de Oliveira K. A., Vannucci A., Da Silva E. C. Using artificial neural networks to forecast chaotic time series // Physica A. 2000. Vol. 284, iss. 1–4. P. 393–404. https://doi.org/10.1016/S0378-4371(00)00215
  19. Антипов О. И., Неганов В. А. Прогнозирование и фрактальный анализ хаотических процессов дискретно-нелинейных систем с помощью нейронных сетей // Доклады Академии наук. 2011. Т. 436, № 1. С. 34–37. EDN: NDJQML
  20. Шабунин А. В. Нейронная сеть как предсказатель динамики дискретного отображения // Известия вузов. Прикладная нелинейная динамика. 2014. Т. 22, № 5. С. 58–72. https://doi.org/10.18500/0869-6632-2014-22-5-58-72
  21. Tank A., Covert I., Foti N., Shojaie A., Fox E. Neural granger causality for nonlinear time Series. URL: https://arxiv.org/pdf/1802.05842v1 (дата обращения: 20.09.2024).
  22. Тихонов А. Н. О некорректных задачах линейной алгебры и устойчивом методе их решения // Доклады Академии наук СССР. 1965. Т. 163, № 3. С. 591–594.
  23. Шабунин А. В. Определение структуры связей в ансамбле хаотических отображений при помощи нейронной сети // Известия вузов. Прикладная нелинейная динамика. 2024. T. 32, № 5. С. 636–653. https://doi.org/10.18500/0869-6632-003111
  24. Fujisaka H., Yamada T. Stability theory of synchronized motion in coupled-oscillator systems // Progress of Theoretical Physics. 1983. Vol. 69, № 1. P. 32–47 https://doi.org/10.1143/PTP.69.32
  25. Fujisaka H., Yamada T. Stability theory of synchronized motion in coupled-oscillator systems. The mapping approach // Progress of Theoretical Physics. 1983. Vol. 70, № 5. P. 1240–1248. https://doi.org/10.1143/PTP.70.1240
  26. Astakhov V., Shabunin A., Klimshin A., Anishchenko V. In-phase and antiphase complete chaotic synchronization in symmetrically coupled discrete maps // Discrete Dynamics in Nature and Society. 2002. Vol. 7, № 4. P. 215–229. https://doi.org/10.1155/S1026022602000250

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».