本文提出了一种基于状态空间模型的、定制化神经模型结构及两种自定义拟合标准，通过优化隐藏状态与神经网络参数以最小化测量输出和估计输出之间的差异，同时保证优化状态序列与估计系统动态一致，从而证明了该方法的有效性，进而在三个案例研究中应用于系统辨识基准测试。

Jun, 2020

这篇论文提出了一种利用深度神经网络和数值分析相结合的机器学习方法，用于从数据中识别非线性动态系统，以此预测未来状态和识别吸引基。在多个基准问题中，论文证明了该方法的有效性，包括学习洛仑兹系统、圆柱背后的流体动力学、Hopf 分岔和糖酵解振荡器模型。

Jan, 2018

本文提出了一种基于神经 ODE 的 RNN 模型 (RNN-ODE-Adap)，用于建模和预测非平稳时间序列数据，该模型可适应性地选择时间步长，并在 Hawkes 型时间序列数据中表现出一致性估计预测能力和计算成本优势。

Jun, 2023

提出了一种 GRU-ODE-Bayes 方法来建模真实世界的多维时间序列，该方法包括对神经普通微分方程的连续时间版本和处理不规则数据采样的贝叶斯更新网络，并证明了该方法在医疗保健和气候预测领域的应用中优于现有技术。

May, 2019

通过加入频率信息，我们构建了一种新的神经网络结构（FSNN），能够较好地适用于非线性系统识别，并在经验上进行了性质研究。

May, 2023

连续时间中的神经标记时间点过程为连续时间事件数据的统计参数模型工具箱增添了有价值的内容。本文提出了一个通用框架，用于建模连续时间中的集合值数据，并开发了适用于任何基于强调的递归神经点过程模型的推理方法。在四个真实世界数据集上进行系统实验，通过对基于集合的序列进行重要性抽样，证明了效率大幅提升。通过展示如何使用该框架来执行不涉及一步预测的似然度进行模型选择。

Dec, 2023

本文针对动态系统，提出了一种快速高效的迁移学习方法。作者首先使用可用的测量数据识别出一个名义 RNN 模型，然后为了应对系统动态变化导致的模型性能下降，使用 Jacobian Feature Regression 方法添加了一个校正项，该方法基于模型 Jacobin 的特征。另外还提出了一种非参数方法，扩展了最近的高斯过程与神经切向核到 RNN 情况，可以更加高效地处理大型网络或仅有少量数据点的情况。

Jan, 2022

本文利用定时自动机来介绍一系列监督学习任务，建立在隐藏时间变量和复杂性直接可控的行为模型基础上，通过研究倒置的时间特征，证明基于动态系统理论的工具可以不仅提供模型学习方案的见解而且能够证明训练过程的动力学。

Jun, 2023

提出了神经连续 - 离散状态空间模型 (NCDSSM)，用于对时间序列进行连续时间建模。该模型使用辅助变量进行识别和动态分离，从而仅需要为辅助变量进行摊销推理。通过连续离散滤波理论，提出了三种灵活的潜在动态参数化方法和一种能够较快地进行后验推理的训练目标函数。实验结果表明，NCDSSM 在多个基准数据集上都比现有模型具有更好的插补和预测性能。

Jan, 2023

本文研究了深度神经网络在建模具有复杂行为的动态系统方面的有效性，并在选择的公开系统识别数据集上进行了类似的评估。实验证明，深度神经网络是输入输出数据的有效模型估计器。

Oct, 2016