Káosz detektálása mélytanulási módszerekkel dinamikai rendszerekben

A dolgozatban a napjainkban igen népszerű és több különböző tudományterületen is sikeresen teret hódító mélytanuláson alapuló algoritmusok alkalmazhatóságát vizsgálom többszabadságfokú nemlineáris dinamikai rendszerek kaotikus viselkedésének klasszifikációjánál időbeli adatsor és vizuális reprezentáción keresztül.

Egy dinamikai rendszer adott paraméterek mellett kaotikus, „majdnem” kaotikus és nem kaotikus viselkedésre képes, azonban ennek megállapítása, azaz klasszifikációja a legtöbb esetben csak numerikusan, nagy számításigénnyel rendelkező algoritmusokkal lehetséges, specifikus esetekben pedig a káosz és nem káosz közti határon pedig a klasszifikáció humán vizuális megtekintés után végezhető csak el.

Dolgozatomban az ezen tudományterületen használt algoritmusok, metódusok mély neurális hálókkal való helyettesíthetőségét vizsgálom, melyek a nem strukturált, több dimenziós adatokban kiválóan alkalmasak a specifikus minták megtalálására, erre példa a gépi látásban vagy a természetesnyelv feldolgozásban elért fejlődés az elmúlt évtizedben a neurális hálóknak köszönhetően.

A dolgozat első részében röviden ismertetem a leggyakrabban alkalmazott technikákat és tipikusan vizsgált kaotikus viselkedést tanúsító rendszereket a tématerületen. Ezek segítségével lehetséges tanító és teszt adatsorokat készíteni a neurális hálók számára. Ezután a vizsgált hálóarchitektúrák bemutatása következik, melyek többet között tartalmaznak Dense (teljesen kapcsolt), CNN (konvolúciós neurális háló), RNN (rekurrens neurális háló), RCNN (rekurrens convolúciós háló), LSTM (H-RM neurális háló) architektúrákat.

A precíziós értékeken túl a neurális háló robusztussága kiemelten fontos ebben a feladatkörben, hiszen tetszőleges rendszerből származó adatokra is helyes eredményt kell adnia, ennélfogva minden vizsgált esetben a hálók kisdimenziós rendszerből származó adatokkal kerülnek paraméterhangolásra, majd tesztelésük más, többdimenziós rendszerekből származó adatokkal történik.

A dolgozat hosszútávú célja olyan neurális hálókon alapuló módszer találása, mely képes a sokdimenziós nemlineáris rendszerekből származó adatsorok klasszifikálására szabadsági foktól függetlenül a jelenlegi technikáknál gyorsabban, azokkal legalább megegyező pontosságú megoldást adni.

A dolgozat végén összefoglalom a kapott eredményeket és az ezekből levonható konklúziókat, illetve a további kutatási lehetőségeket, irányokat és az esetleges valós ipari környezetben való alkalmazhatóságot.

szerző

Wenesz Dominik
Mechatronikai mérnöki alapszak (BSc)
alapképzés (BA/BSc)

konzulens

Dr. Habib Giuseppe
Docens, Műszaki Mechanikai Tanszék