چکیده

مسئله کشف رژیم های دینامیکی مختلف اهمیت محوری در تجزیه و تحلیل سری های زمانی دارد. سیستم های دینامیکی سویئچینگ، راه حلی برای مدل سازی پدیده های طبیعی فراهم می کنند که داده های سری زمانی آنها مدهای دینامیکی مختلفی را نمایش می دهند. در این کار، یک مدل شبکه عصبی بازگشتی (RNN) تغییراتی جدید را برای دینامیک های سوئیچینگ پیشنهاد می کنیم که منجر به رفتارهای دینامیکی غیر مارکوفی و غیر خطی بین و در داخل مدهای دینامیکی می شود. مکانیزم های توجه برای اطلاع رسانی توزیع سویئچینگ فراهم شده اند. مدل خود را بر روی مجموعه داده های ساختگی و تجربی از ماهیت های مختلف ارزیابی می­کنیم و با موفقیت رژیم های دینامیکی مختلف را آشکار می کنیم و دینامیک های سوئیچینگ را پیش بینی می کنیم.

1- مقدمه

بسیاری از سیگنال های دینامیکی مرکب به صورت طبیعی یک فرم ترکیبی ذاتی را نمایش می دهند، بدین معنی که فرآیند تولید داده آنها می تواند به مدهای دینامیکی مختلفی تجزیه شود....