时间序列聚类是一个研究深入的问题，本文提出了一种变体方法，在给定一组轨迹和一定数量的部分的情况下，共同划分轨迹集并学习每个部分的线性动态系统（LDS）模型，以最小化所有模型的最大误差，给出了全局收敛方法和 EM 启发式算法，并伴随着有希望的计算结果。
Nov, 2023
本文提出了一个用于在短暂的系统轨迹爆发中实时识别控制智能体动态的理论和算法框架。通过使用多项式回归识别代理程序的动态，我们对捕捉代理行为的基本假设或期望的副信息约束进行补偿，使用二次优化进行计算，这导致一系列越来越好的逼近真实代理行为动态的逼近。
Jul, 2023
采用深度自动编码器和预测性转移模型相结合的方法，从像素信息中学习动态系统的良好预测模型。
Oct, 2014
通过提出一种主动学习的方法，该方法不断进行轨迹规划，轨迹跟踪和重新估计系统，并展示了该方法以参数速率估计非线性动态系统，类似于标准线性回归的统计速率。
Jun, 2020
通过设计合适的损失函数，利用变分逆问题方法，我们提出了一系列学习方法，用于识别动态系统的结构，以了解相互作用代理系统中的新兴行为，能够有效处理高维观测数据，包括一阶和二阶动态系统的观测数据，考虑观测 / 随机噪声、复杂的相互作用规则、缺失的相互作用特征和实际世界观测，在学习方法中固有地提供了降维能力。
本研究提出一种基于学习的联合稳定化算法，通过对不稳定状态轨迹数据的处理快速学习所有系统的稳定化策略，从而解决了基于联合多系统自适应控制的快速可靠联合稳定化问题。
Jan, 2022
该研究证明了最小二乘（OLS）估算器在从单个观察轨迹中识别线性动态系统方面达到了几乎最小化最优性能。
Feb, 2018
从数据库中无监督地学习高维时间序列的潜在动力学是一个挑战，该论文从物理归纳偏差和学习 - 识别策略的角度研究了这个问题，并提出一种新颖框架 Meta-HyLaD，用于无监督元学习混合潜在动力学，既包括已知的数学表达式又包括描述未知误差的神经函数，并通过对五个物理系统和一个生物医学系统的广泛实验证据来说明 Meta-HyLaD 整合丰富的先前知识优势并识别其与观测数据之间的差距。
Mar, 2024
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。
传统的系统辨识方法采用给定的输入 / 输出序列和现有的物理知识估计未知动力系统的模型。本文提出了一种新的系统辨识方法，通过预训练一个元模型来隐式表示一个类别的动力系统的主要特征，并利用 Transformer 架构实现单步预测和多步仿真任务，为系统辨识研究开辟了新的方向。
Aug, 2023