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

现代生成式机器学习模型展示出令人惊讶的能力，能够创造出超越其训练数据的逼真产出，如逼真的艺术作品、精确的蛋白结构或对话文本。这些成功表明生成模型学会了有效地参数化和采样任意复杂的分布。本文旨在将经典作品与大规模生成统计学习中的新兴主题联系起来，包括经典吸引子重构、隐空间模型中的潜在表示学习等。还介绍了早期利用符号近似进行比较的努力，与现代努力进行黑盒统计模型的精简和解释相关。新兴的跨学科研究桥接了非线性动力学和学习理论，如用于复杂流体流动的算子理论方法，或者检测生物数据集中打破了详细平衡的情况。我们预计未来的机器学习技术可能会重新审视非线性动力学中的其他经典概念，如信息传输衰减和复杂性 - 熵权衡问题。

Nov, 2023

通过状态空间重构的概念，非线性时间序列分析提供了一组方法，允许我们计算特征量，如 Lyapunov 指数和分形维数，预测时间序列的未来走势，甚至在某些情况下重构运动方程。

Mar, 2015

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

基于机器学习方法的控制研究现已过渡到实际工程阶段。本文提出了一种学习方法，用于确保系统的稳定性、可靠性等方面，为各种控制理论提供了高度的自由度，以实现高性能和理论上的安全性。通过将简单线性控制与控制屏障函数相结合，展示了一个设计示例，并将其应用于汽车发动机的实时控制，实验结果表明具有良好的预测性能和稳定的控制能力。

Nov, 2023

本研究主要集中于一种操作器推理方法，旨在基于先验假设构建基于低维度动力学模型，这些假设通常基于已建立的物理学或专家见解。我们的主要目标是开发一种能够推断具有固有稳定性保证的二次控制动力学系统的方法。我们研究具有能量保持非线性的控制系统的稳定性特征，从而识别出这些系统在什么条件下是有界输入有界状态稳定的。随后，这些见解被应用于学习过程，从而产生设计上固有稳定的推断模型。我们通过几个数值示例来验证我们提出的框架的有效性。

Mar, 2024

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

使用物理上知悉的神经网络方法来分析含有一种运动第一积分的非线性哈密顿系统，并提出了一种结构，将现有的哈密顿神经网络结构与 Adaptable Symplectic 循环神经网络相结合，可以在整个参数空间内预测动力学，保留哈密顿方程以及相空间的辛结构。同时，利用神经网络的高维非线性能力，结合 Long Short Term Memory 网络进行判断嵌入定理的实现，构造系统的延迟嵌入，并将拓扑不变吸引子映射到真实形式。该方法对于单参数势能有效，并且即使在较长时间内也能提供准确的预测结果。

Jul, 2023

本文提出了一种稳定学习动态系统的方法，该方法采用联合学习动态模型和李雅普诺夫函数的方法，这样学习的系统在整个状态空间内保持稳定，同时它也能够被结合到其他深度生成模型中学习复杂的动态系统，例如视觉纹理。

Jan, 2020