利用深度神经网络预测机械模型参数在生物过程工程中起到了重要的作用，提供了高效、健壮且计算成本低的参数估计方法，综合实验数据对比了提出的算法与传统方法，发现神经网络预测的参数估计优于传统拟合程序。

Dec, 2023

使用普通微分方程进行统计建模，处理纵向队列数据中的局部变化问题，并利用神经网络进行动态建模和参数提取。

Nov, 2023

本文介绍了利用 DBN 模型对三种生物 ODE 模型进行建模的过程，并使用粒子滤波算法对模型变量进行推断，其结果表明 DBNs 能够在缺失、不完整、稀疏和不规则的数据情况下，高精度地推断 ODE 模型的模型变量。

Oct, 2019

本文介绍了一种使用欧拉 - 马鲁雅马方法对扩散过程离散化，并应用变分推断方法共同学习参数和扩散路径的方法。这种方法使用平均场变分近似参数后验分布，并引入递归神经网络来近似参数条件下扩散路径的后验分布，所得结果可用于具有轻微调整需求的任何 SDE 系统，并在短短几个小时内产生准确的参数估计。

Feb, 2018

本文研究了一类常见系统的可辨识性以及提出了一种估计方法，避免了数值积分和系统状态导数估计的计算负担，并建议了一种适用于该方法的实验设计。对该估计器的最优速率进行了证明，并将其优异的有限样本性能与其他估计方法进行了比较。

May, 2013

本文提出一种基于贝叶斯过滤的概率常微分方程求解方法，通过从带噪声 ODE 观测数据中学习，能够显著减少参数的敏感性，提高参数估计的准确性。

Jun, 2023

本研究利用基于约束高斯过程的新型生成建模方法，构建了一种计算和数据有效的状态和参数推断算法，并在广泛实验中，展示了该方法在参数推断和模型选择方面的高准确性和低计算成本。

Feb, 2019

该论文提出一种基于 ABC-MCMC 算法的贝叶斯推断方法，用于在具有随机性系统中求解高维随机微分方程。研究重点在于描述了状态空间模型的 SDE，并提供了 MATLAB 软件包来实现算法的仿真研究结果。

Apr, 2012

通过引入基于常微分方程的解决方案，我们提供了一个全新的处理方式，用于推断无偏的治疗效果，并将其构建为一个框架，可以将任何常微分方程发现方法转化为治疗效果的方法。

Mar, 2024

使用高斯过程作为灵活的模型并使用高斯过程回归直接从稠密数据集中计算估计，开发出一种非参数方法来估计随机微分方程组中的漂移和扩散函数，并开发了一种近似的期望最大化算法来处理稀疏观察之间的未观察到的潜在动态。

Feb, 2017