寻找未知干扰并识别其属性和位置的方法，即使对干扰或底层动力学一无所知也可应用于许多领域，我们基于机器学习提出一种基于先前系统观测（基于已知训练函数）的无模型方法，可以通过多种已知驱动函数识别多种类型的未知干扰，我们通过食物网络和神经活动模型展示了线性和非线性干扰的结果，并讨论了如何将该方法扩展到大型网络。

Jul, 2023

本文提出了一种方法，通过集成去噪技术、稀疏回归和自举置信区间来自动识别动力学定律，从而在物理、生物科学以及工程等各领域中有望影响对复杂系统的理解。

Apr, 2023

该研究提出了一种基于物理信息的机器学习控制方法，用于具有高噪声测量的非线性动态系统。结果表明，该方法在高噪声条件下的非线性动态系统的建模准确性和控制性能方面优于现有的基准方法。

Nov, 2023

我们提出了一种用于学习未知的非自治随机动力系统的数值方法，该系统受到时间依赖的激励或控制信号的影响。我们的方法的基本假设是随机系统的控制方程不可用，但是可以获得一些由已知激励信号和相应系统响应组成的输入 / 输出（I/O）数据。当具有足够数量的 I/O 数据时，我们的方法能够学习未知的动力学，并为系统对于不在训练数据中的任意激励信号的随机响应生成准确的预测模型。我们的方法包含两个关键组成部分：（1）对训练 I/O 数据的局部逼近以将学习转化为参数化形式；（2）用于近似分布的生成模型来近似未知随机流图。在详细介绍该方法之后，我们提供了一套全面的数值示例来展示所提出方法的性能，尤其是用于长期系统预测。

Jun, 2024

本文提出了一种基于假想哈密顿公式的方法，可以对受干扰的系统动力学建模，即使模型只有系统的观测数据。该方法通过神经网络学习系统中的未知阻尼和外部干扰的影响，应用于一些传统方法难以适用的情境中，同时通过第四阶对称积分损失函数的方法对噪声数据进行训练，提高了模型的性能.

May, 2023

通过模型无关的机器学习框架和储水计算方法，实现对双臂机器人操纵器的跟踪控制，仅使用部分观测状态，并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。

Sep, 2023

通过从嘈杂和稀疏的可观测数据中识别微分方程，我们开发了一个框架，学习建模复杂动力行为的数学表达式，从而填补了基于经验数据而非已知物理机制的系统的数学模型的空白。

Dec, 2023

学习非线性动力系统的神经动力学模型，保持模型的耗散性特性是一个困难的问题。本文通过两个阶段的学习方法，首先得到一个接近系统动力学的神经动力学模型，然后通过权重和偏置的扰动问题解决模型的耗散性和贴近非线性系统轨迹的问题，确保得到一个保证耗散性且接近非线性系统的神经动力学模型。

Sep, 2023

提出了一种混合预测方法，将基于知识的模型和机器学习技术相结合，以预测混沌动力系统的演化，并得到了极其令人满意的结果。

Mar, 2018

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