在复杂系统领域，由于系统的非线性动力学、大量相互关联的变量、多个相互作用的部件和反馈回路，需要更好的知识发现方法。因此，有限的可预见性给理解和控制带来了严重的实际和概念问题。在它们的演化过程中，有序、无序和混沌阶段的共存需要发展可靠的度量来描述它们。自组织和涌现是另一个重要方面，通过产生新的信息和结构，挑战传统的数据分析方法，从模式识别到预测和模型构建。因此，需要更精确、更稳健的识别技术。

当构成复杂系统的元素具有一定的适应和学习能力时，所有这些困难就会变得更加严重，这一点在涉及生物和人类的现象的调查中就很明显。还应该记住，即使今天产生了大量的数据，由于事件的瞬态性质、非平衡条件或诊断的扰动特性，复杂系统的重要方面可能难以进行测量。因此，遥感和外部探测技术被广泛使用，因此需要进行严重不适定的数学反演以获得所需的信息。此外，许多现象的非平稳特性需要新的技术来识别流形和奇异吸引子，仅使用短时间序列。还应该记住，历史和记忆效应也违反了大多数传统数据分析技术的基本假设，如i.i.d(独立抽样和同分布数据)假设。所有这些条件使得因果关系的评估非常具有挑战性，特别是在混沌状态下的系统。

在这一特别问题中，我们希望收集与数据分析工具中的新发展有关的原始研究和审查文章，专门针对解决复杂系统构成的上述挑战。贡献可以涵盖从理解预测和控制的复杂性处理复杂性的所有方面。分析技术的应用可以指自然和人工制造的系统，从物理和化学到生物学，经济学和生态学。

潜在的主题包括但不限于以下内容:

• 机器学习复杂系统的理解，预测和控制
• 混沌动力学的识别
• 复杂网络
• 复杂性知识发现的遗传编程
• 对患病问题调查的反转技术
• 神经和深度学习适用于非线性现象
• 元胞自动机
• 自适应、数据驱动的方法旨在模式识别、因果推理和非平稳环境中的学习