开发适用于问题解决的随机配置网络的循环版本，无需对输入变量的动态顺序进行基本假设，并通过监督机制构建初始模型并通过投影算法在线更新输出权重，从而在时间数据建模技术方面取得了显着突破。

Jun, 2024

研究新颖的谱方法，通过得分函数将输出和输入的非线性变换之间的交叉矩张量分解，以解决逐步标记任务的输入 - 输出循环神经网络 (RNN) 的训练问题，并将其扩展到双向 RNN，该方法被应用于许多自然语言处理 (NLP) 任务，如 POS 标记。

Mar, 2016

本文提出了一种名为对称循环神经网络的学习算法，其可以从观察到的轨迹中捕获物理系统的动力学，并通过神经网络模型系统的哈密顿函数，结合较为复杂的多步训练和初始状态优化来解决哈密顿系统所涉及的数值问题，从而成功的处理包括噪声和复杂系统在内的哈密顿系统及其他动力学系统。并提出如何用扩展的 SRNN 集成方案来处理像弹球这样的非常振动力学系统。

Sep, 2019

本文介绍了一种新的基于谱域卷积架构的图像深度学习模型，其中核心成分是一类新的参数有理复合函数（Cayley 多项式），允许在图像上高效地计算频带感兴趣的谱滤波器，具有分布在空间中的丰富的谱滤波器，线性地扩展到稀疏连接的图像的输入数据的规模，并且可以处理不同构造的拉普拉斯算子等。通过应用于谱图像分类、社区检测、顶点分类和矩阵完成任务等广泛实验结果表明，我们的方法比其他谱域卷积架构具有更好的性能。

May, 2017

研究了如何通过深度学习将适应性神经元包含在递归脉冲神经元网络（RSNNs）中，从而优化网络结构，实现知识迁移和在少数示例中进行学习、手段是 BPTT 算法。

Mar, 2018

以数值解求解普通微分方程为灵感，本文提出了一种新颖的储层计算模型，名为欧拉状态网络（EuSN）。该方法使用向前欧拉离散化和反对称循环矩阵来设计储层动力学，这些动力学是通过构造稳定且无耗散的方式实现的。我们的数学分析表明，所得模型偏向于具有单位的有效谱半径和零的局部李雅普诺夫指数，本质上在稳定边缘附近运行。长期记忆任务的实验结果表明，所提出的方法在需要有效传播多个时间步骤的输入信息的问题上优于标准的 RC 模型。此外，时间序列分类基准测试结果表明，EuSN 能够达到（甚至超过）可训练循环神经网络的准确率，同时保留 RC 家族的训练效率，导致计算时间约为 490 倍的节省和能源消耗约为 1750 倍的节省。

Mar, 2022

该论文演示了使用循环神经网络（RNN）作为量子哈密顿量的近似基态变分波函数来表示多体波函数，通过优化变分参数使用随机方法实现。并利用其自回归性质作为有效的物理估计器来计算各种相关物理量。

Feb, 2020

通过引入新颖的 Lyapunov Noise Pruning (LNP) 算法和利用各类散度来设计一个稳定的、计算效率高的、适用于不同任务的稀疏的异质 RSNN 模型，本文展示了相对于传统的基于活性剪枝的方法，该任务无关的方法可以增加 RSNN 的计算效率和预测性能。

Mar, 2024

该研究提出了一种新颖的复合门循环神经元，该循环神经元采用复数表示，并结合具有门控机制和保持范数的状态转换，表现出优异的稳定性和收敛性，在合成存储和加法任务以及人体运动预测等现实任务中表现出竞争力。

Jun, 2018

本文概述了基于复杂网络的时间序列分析方法，着重介绍了以复归图为基础的方法，探讨了各个方法的潜力和局限性，并通过动力系统和实际时间序列的典型例子说明了复杂网络测量可以提供其他线性和非线性方法所未能提供的结构特征信息。

Oct, 2010