标签
本文介绍了稀疏 Koopman 自编码器 (SKAE)，用于在多盆地非线性系统中识别局部动态区域，展示了优越的预测性能和可解释的潜在支持。
本文提出了一种贝叶斯控制框架，将基于脉冲的动态与概率推断相结合，用于非线性动态系统的自适应控制，并使用一个脉冲神经网络模型在基准问题上进行了演示。
This paper proposes a provable two-stage pipeline that distills nonlinear dynamical systems into compact linear state-space models using convex optimization, with theoretical guarantees and experiments on LDS benchmarks and MuJoCo.
This paper introduces equivariant spectral submanifold (eSSM) reduction, an extension of SSM-based reduced-order modelling that incorporates symmetries to accelerate computations and improve robustness for nonlinear dynamical systems.
本文介绍了 Unscented KalmanNet (UKN)，一种混合深度学习滤波器，它通过可学习组件增强无迹卡尔曼滤波器，在未知噪声统计和模型失配下提高状态估计精度和协方差校准。实验表明，与 UKF 和其他 KalmanNet 变体相比，RMSE 显著降低。
MetaKoopman提出了一种贝叶斯元学习框架，通过Koopman算子利用线性潜在表示对非线性动力学进行建模，支持闭式更新和不确定性量化。该框架在恶劣冬季条件下的自动驾驶卡车-拖车系统上得到验证，在预测准确性和鲁棒性方面优于先前方法。
这是一篇长达两万五千余字的科普文章，从熵的起源讲起，回顾了耗散系统理论的发展历程，并探讨了AI是否属于耗散系统的三层分析（硬件层、训练层、静态模型）。
DeepMDMD将深度学习与代数约束相结合，学习紧凑且动态一致的Koopman算子表示，并将乘积规则作为精确约束强制实施。该方法在高维混沌和流体动力学问题上优于几何方法，减少了谱污染并实现了稳定的长期预测。
本文扩展了端口-哈密顿神经网络（PHNNs）到偏微分方程（PDEs）中，用于从数据中学习非线性弦动力学。该方法能够同时恢复哈密顿量和耗散，在准确性和可解释性方面优于非物理信息基线方法。