最近开发的降阶建模技术旨在从数据中学习的低维流形上近似非线性动力系统。我们介绍了一种由约束的自动编码器神经网络描述的参数化非线性投影类，其中流形和投影纤维都是从数据中学习得到的。此外，我们还提出了一些新的动力学感知成本函数，以促进学习考虑快速动力学和非正常性的斜投影纤维。为了展示这些方法及其解决的特定挑战，我们提供了一个关于涡街现象的三状态模型的详细案例研究。同时，我们还提出了几种基于我们提出的非线性投影框架构建计算高效的降阶模型的技术。这包括一种用于避免计算 Grassmann 流形上有害的权重矩阵收缩的新型稀疏促进惩罚项的编码器。

Jul, 2023

介绍一种新的基于最小残差的方法，通过在时间连续和时间离散水平上使用非线性流形将动力系统投影到上，即流形 Galerkin 投影和流形 Petrov-Galerkin 投影，并提出了一个计算非线性流形的可行方法，该方法基于深度学习中的卷积自编码器。最后，演示了这种方法在反向控制问题上的比优对比结果。

Dec, 2018

提出了一种双阶段基于注意力机制的递归神经网络（DA-RNN）模型，该模型使用输入和时间注意力机制，能够更好地捕获时间序列的长期时间依赖关系和选择相关的驱动因素以进行预测。实验证明，DA-RNN 模型比时序预测中的现有模型更有效。

Apr, 2017

本文提出的一种新方法使用统一的 EM 框架共同优化 AR 和 NAR 模型，以有效地引导系统消除输出序列中的多模态，评估结果表明，该方法在机器翻译任务上实现了具有竞争力的性能，同时显著减少了推理延迟。

Jun, 2020

提出一种基于神经网络减小秩的 ROM 新方法，在处理对流主导的现象时更好地逼近高保真模型，通过在非线性流域中超减少运算并得到适当的误差界限达到更好的效率。

Sep, 2020

本文提出了一种基于物理约束的深度学习模型，通过自动回归密集编码器 - 解码器卷积神经网络建模非线性动力学系统，实现对时间步骤的预测量进行不确定性量化，并利用其在多个非线性瞬态偏微分方程系统上进行测试。

Jun, 2019

利用流体力学中的对称性，本文运用模拟数据找到了长时间动力学在较低自由度的流形上的演化方程，通过称之为 '' 对称图表 '' 的方法，采用傅里叶变换和自动编码器找到了数据的低维坐标表示，最后利用神经常微分方程在该流形上学习动力学。应用于二维混沌爆破流体中，该方法能够减少所需数据量，获得更稳健的流形维度估计，满足 NSE 的等变性，能够更准确地进行短时间跟踪并捕捉长时间的统计信息。

Dec, 2023

本文提出了一种基于数据驱动的方法来构建动力系统的固有模型，该模型采用流形学习技术 (diffusion maps) 来学习动力系统的潜变量的固有模型，然后借助控制理论的概念和工具，建立线性收缩观察器，以逐次方式估计新来的测量数据中的潜变量。通过在玩具问题和音乐分析应用中实验，我们证明了该模型的有效性。

Apr, 2016

本文介绍了一个自编码器框架，结合隐式正则化和内部线性层，自动估计数据集的底层维度，生成正交流形坐标系，并提供周围空间和流形空间之间的映射函数，为拓展样本作出一定的贡献，展示了该框架在各种数据集中对流形维度的能够自动估计，分析了该架构的梯度下降动态，以及扩展到状态空间建模和预测的应用，并证明了该框架对超参数选择的鲁棒性。

May, 2023

本研究提出一种基于深度学习的非线性模型降维策略，通过深度卷积自编码器和 LSTM 网络构建模块化模型，实现繁重计算任务中的模型降维，同时保持计算效率和系统稳定性。

Aug, 2018