提出了使用神经算子对磁滞建模的方法，以解决常规神经网络方法难以推广至新输入磁场的问题；通过深度算子网络和傅里叶神经算子对新一阶反向曲线和次环进行预测，并提出了一个无速率相关的傅里叶神经算子用于在采样速率不同的情况下预测材料响应。数值实验证明，神经算子能够高效地建模磁滞，并在各个指标上优于传统的循环神经网络方法，并能够推广至新的磁场条件，强调了神经算子在表征基于磁性材料的器件中的重要性。

Jul, 2024

本文中提出基于神经振荡器非线性控制网络的二阶常微分方程模型时间离散化的递归神经网络，证明其对于隐藏状态的梯度具有精确的上限，解决了梯度问题，实验证明该递归神经网络在处理复杂的时序数据上具有稳定和准确的性能，达到了现有技术水平。

Oct, 2020

我们提出了一种新颖的、受大脑启发的深度神经网络模型，称为深层振荡神经网络 (DONN)。DONN 具有振荡内部动态，可以在信号和图像 / 视频处理的多个基准问题上提供与已发表结果相当或更好的性能。

May, 2024

介绍了一种抽象的神经振荡器类，证明了神经振荡器是通用的，并可近似于任何时间变化函数之间的映射。这个证明为使用基于振荡器的 ML 系统提供了理论依据。

May, 2023

通过对一个受 SET 卡牌游戏启发的简单任务上训练的循环神经网络（RNN）进行解读，本研究提出了一种新颖的动力学机制用于模式识别。我们将训练后的 RNN 解释为通过低维极限环中的相位转移以类似于有限状态自动机（FSA）中的状态转换来识别模式。我们通过手工创建一个简单的振荡模型来验证这一解释，该模型能够复现训练后的 RNN 的动力学。我们的发现不仅暗示了一种潜在的能够进行模式识别的动力学机制，还暗示了一种潜在的 FSA 的神经实现。最重要的是，这项工作为深度学习模型解释性的讨论做出了贡献。

Oct, 2023

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

通过振荡驱动储层计算的反馈机制，本研究提出一种能够稳定网络活动且诱导复杂储层动力学的储层计算模型，即振荡驱动储层计算（ODRC）。ODRC 在运动定时和混沌时间序列预测任务中与传统储层计算方法相比能更准确地复现长期目标时间序列，并能从有限观测中学习到抽象生成规则。基于这种简单且计算廉价的实现所获得的显著改进，ODRC 可作为各种时间序列数据的实用模型，并可作为神经震荡及其小脑处理器的模型进行生物学探讨。

Jun, 2024

本研究提出了一种使用神经网络数字仿真磁带录音机声音特性的方法，通过三个部分组成的信号链构成：磁记录过程产生的滞后非线性和滤波器、磁记录和播放放大器的联合产生的滞后非线性和滤波器、带状态的时延和各种电磁成分的复合添加噪声，研究结果可以用于构建用于音乐制作和音频仿古任务的虚拟磁带录音设备。

May, 2023

本文提出了一种基于输出误差 Hamiltonian Neural Network (OE-HNN) 建模方法，以解决带有输入和嘈杂状态测量的实物系统建模的问题，并扩展了 HNNs 的广义 Hamiltonian 理论，演示了此方法相对于传统的 HNNs 在建模性能方面的卓越优势。

May, 2023

本文提出了一种基于哈密顿系统的离散化的循环神经网络架构，解决长时依赖序列输入处理的梯度消失和爆炸问题，实验表明该方法在各种学习任务中提供了最先进的性能。

Mar, 2021