基于激光全场测量的治理方程数据驱动发现的集成WSINDy

提出了一种新的基于物理编码离散学习框架，用于从稀缺且有噪声的数据中发现时空偏微分方程。

结合深度卷积-循环网络和稀疏回归，验证了在高噪声数据处理中的有效性。

引入物理信息准则（PIC）来评估已发现的PDE的简洁性和精确性，促进对物理过程的理解。

PIC在处理高噪声、稀疏数据方面表现出鲁棒性，并能从微观模拟数据中发现宏观统治方程。

使用贝叶斯样条学习框架识别非线性时空动态系统的简约控制方程，并量化系统不确定性。

提出混合神经网络和PDE方法，从运动观测中学习可推广的PDE动力学，展示了在各种复杂条件下的准确性。

利用神经网络的隐式表示方法，从嘈杂且有限的数据中发现非线性控制方程的鲁棒方法。

开发统计力学方法分析稀疏方程发现算法，平衡数据拟合和简洁性。

提出参数物理信息神经网络，通过全场位移数据进行本构模型标定，具有高准确性。

使用数据驱动框架结合变分自动编码器和稀疏非线性动力学识别，构建解释性和可靠的降阶模型。