本研究提出两种水库模型集成方法，以提高液态状态机器在模式识别和时间分析中的性能，测试结果显示准确率达到98.1%，超越以往方法，具有重要应用潜力。

该文章介绍了一种先进的油藏表征工作流，通过新颖方法解决了油藏历史拟合的挑战。该工作流利用物理启发神经算子和自适应正则化集合卡尔曼反演等技术，准确快速地量化和恢复未知场。

本文研究了利用掩码softmax方法解决连续学习中的遗忘与保留困难，并提出了一种保持置信度分布的方法。该方法在整体性能上优于最新方法，为基于回放的连续学习提供了坚实基础。

循环神经网络（RNN）是一种对动态系统进行普适逼近的工具，但面临梯度消失和梯度爆炸问题。储层计算（RC）是一种特殊的RNN，其循环权重是随机化并且未经过训练。RC在自然语言处理和无线通信等领域表现出卓越性能，特别适用于训练样本有限的情况。本研究证明了RNN可以普遍逼近线性时不变（LTI）系统，并提供了RC在泛化LTI系统中的解释。这是朝着可解释机器学习（XML）的重要步骤，尤其适用于训练样本有限的应用。

通过研究谱分解和矩阵的矩的关系，我们论证了储水池计算的成功取决于储水池的分离能力。对于具有高斯矩阵且对称或独立的储水池，我们分别证明了分离能力随时间的恶化，以及当矩阵条目与输入时序的最大长度相关时，大储水池在短输入情况下的最佳分离效果。通过研究时间序列长度的影响，我们进一步给出了分离质量的上限，并探究了选择架构对分离一致性的影响。

该文章介绍了分布稳健强化学习（DRRL）的理论基础和综合建模框架，研究了对手引起的偏移的灵活性和动态规划原理的存在条件。该研究对于现有的数据和计算效率强化学习算法具有重要意义。

该研究提出了一种新的量化方法来预测马里、尼日利亚、叙利亚和也门四个国家在地方层面上连续 60 天的食物消费水平，通过对包括 ARIMA、XGBoost、LSTMs、CNNs 和 Reservoir Computing (RC) 在内的不同模型的性能进行综合分析，发现 Reservoir Computing...

本文提出了一种基于“随机模型预测控制器”的方法来应对电力和热需求的不确定性。通过高斯过程构建需求预测模型，并采用情景法进行多步需求轨迹抽样。通过验证，证明了所提出的预测器和随机控制器的性能优势。