Uporaba rekurentnih nevronskih mrež za klasifikacijo in napovedovanje standardne preslikaveGrandovec, Uroš (Avtor) Horvat, Martin (Mentor) Čopar, Simon (Komentor) rekurentne nevronske mrežeRNNstandardna preslikavaregresijaklasifikacijakaosregularnostV zadnjih letih je v fiziki vse več zanimanja za uporabo strojnega učenja pri numeričnih simulacijah. V tej magistrski nalogi preučujemo, kako lahko strojno učenje, natančneje rekurentne nevronske mreže (angl. Recurrent Neural Networks, RNN), prispeva k analizi in simulaciji dinamičnih sistemov. Naloga je razdeljena na dva glavna dela: v prvem delu raziskujemo uporabo RNN za klasifikacijo trajektorij dinamičnega sistema glede na njihovo kaotičnost, medtem ko v drugem delu preučujemo, kako RNN lahko služi kot nadomestek za tradicionalni matematični model sistema. V prvem delu proučujemo klasifikacijo trajektorij standardne preslikave, enega od temeljnih modelov za študij kaotičnosti. Parameter K, ki nastopa v standardni preslikavi, določa stopnjo kaotičnosti trajektorij. Raziskujemo različne pristope učenja RNN, pri čemer modele učimo tako na fiksnih vrednostih parametra K kot na širših intervalih, da ocenimo njihovo sposobnost posploševanja. Drugi del naloge je posvečen modeliranju standardne preslikave z RNN kot avtoregresivnim modelom. Raziskujemo zmožnost RNN, da posnema dinamiko sistema in zagotavlja kratkoročne ter dolgoročne napovedi. Poudarek je na potencialni uporabi RNN za pospešitev računanja v primerih, ko so tradicionalni numerični pristopi računsko zahtevni.20252025-03-07 08:15:18Magistrsko delo/naloga167691sl