领域的复杂系统,需要更好的知识发现方法由于其非线性动力学,许多相互联系的变量,多个相互作用的部分,和反馈循环。随之而来的有限的可预测性带来了严重的实践和概念问题,对理解和控制。共存的有序、无序和混乱的阶段的进化需要可靠指标为特征的发展。自组织和出现其他重要的方面,通过生成新的信息和结构,挑战传统的数据分析方法,从模式识别预测和模型构建。更精确的和健壮的识别技术因此需求量很大。

所有这些困难时变得更加严重的元素形成的复杂系统有能力适应和学习,是明显的调查涉及生物和人类的现象。还应该记住,即使今天生成大量的数据,重要方面的复杂系统可以不容易测量,由于瞬态事件的本质,平衡条件,或使混乱的字符的诊断。因此,遥感和外部检测技术被广泛使用,随之而来的要求执行严重不适定的数学反演获取所需的信息。此外,许多现象的非平稳的性格需要新技术来识别集合管和奇怪吸引子,只使用短时间序列。我们也应该记住,历史和记忆效果也违反了基本假设的最传统的数据分析技术,如先验知识。(独立的采样和恒等分布的数据)的假设。所有这些条件呈现因果关系的评估依赖非常具有挑战性,特别是在系统混乱的政权。

在这个特殊的问题,我们想收集原始研究和评论文章相关的新发展数据分析工具,特别专注于解决上述复杂系统带来的挑战。的贡献可以涵盖所有方面的处理复杂度从理解到预测和控制。分析技术的应用可以参考自然和人造系统,从物理和化学生物学、经济学和生态学。

潜在的主题包括但不限于以下:

• 机器学习的理解,复杂系统的预测和控制
• 混沌动力学的识别
• 复杂网络
• 遗传编程知识发现的复杂性
• 反演技术病态问题的调查
• 神经和深度学习应用于非线性现象
• 元胞自动机
• 自适应、数据驱动的方法针对模式识别,因果推论,在非平稳的环境中学习