许多科学领域需要对复杂系统的时间行为的可靠预测。然而，这种强烈的兴趣是通过建模问题阻碍：通常，描述所考虑的系统物理学的控制方程是不可访问的，或者在已知时，它们的解决方案可能需要与预测时间约束不兼容的计算时间。如今，以通用功能格式近似复杂的系统，并从可用观察中通知IT Nihilo已成为一个常见的做法，如过去几年出现的巨大科学工作所示。许多基于深神经网络的成功示例已经可用，尽管易于忽视了模型和保证边缘的概括性。在这里，我们考虑长期内存神经网络，并彻底调查训练集的影响及其结构对长期预测的质量。利用ergodic理论，我们分析了保证物理系统忠实模型的先验的数据量。我们展示了根据系统不变的培训集的知情设计如何以及潜在的吸引子的结构，显着提高了所产生的模型，在积极学习的背景下开放研究。此外，将说明依赖于存储器能够的模型时内存初始化的非琐碎效果。我们的调查结果为有效数据驱动建模的任何复杂动态系统所需的数量和选择提供了基于证据的良好实践。
translated by 谷歌翻译
技术进步越来越多地想象在日常生活中与人互动的机器人的使用。人类机器人协作（HRC）是探索人与机器人之间在认知和身体层面上完成共同目标期间的相互作用的方法。在HRC Works中，通常建立一个认知模型，该模型从环境中收集输入，并从用户那里详细说明并将其转化为机器人本身可以使用的信息。机器学习是建立认知模型和行为障碍的最新方法，在HRC中具有很高的潜力。因此，本文提出了有关在人机协作背景下使用机器学习技术的详尽文献回顾。选择和分析了45篇关键论文，并根据协作任务的类型，评估指标和认知变量的建模。然后，对机器学习算法的不同家族及其属性以及所使用的感应方式进行了深入分析。在观察结果中，它概述了机器学习算法与时间依赖关系的重要性。然后将这些作品的显着特征交叉分析以显示HRC的趋势，并为将来的作品提供了指南，将它们与HRC的其他方面进行了比较。
translated by 谷歌翻译