学习深度耗散动力学
原文中文，约2000字，阅读约需5分钟。发表于：。本研究解决了神经网络表示的动态系统在时间序列数据下的“耗散性”保障问题。通过分析非线性卡尔曼-雅库博维奇-波波夫（KYP）引理的一般解，我们提出了一种可微分投影，能够将任何由神经网络表示的动态转变为耗散性，并确保所训练的动态系统的稳定性和能量守恒。研究表明，该方法对领域外输入具有较强的鲁棒性，适用于机器人手臂和流体动力学等应用。
本研究解决了神经网络表示的动态系统在时间序列数据下的“耗散性”保障问题，并提出了一种可微分投影，能够将任何由神经网络表示的动态转变为耗散性。研究表明，该方法对领域外输入具有较强的鲁棒性，适用于机器人手臂和流体动力学等应用。
