本研究提出了一种新方法，通过自监督强化学习提高非线性系统中李雅普诺夫函数的推导效率，结果表明其在机器人任务中收敛速度更快、近似精度更高。

本研究提出了一种新的控制框架SEDC，旨在解决复杂非线性系统的样本效率和可靠性问题。通过创新方法，SEDC在仅使用10%训练样本的情况下，控制精度提高了39.5%-49.4%。

本文研究了不稳定闭环非线性随机系统的最小二乘参数估计问题，提出了一种新方法，针对特定区域生成有用数据，并建立了估计误差的非渐近保证，显示出该方法在分析中的重要应用价值。

本文探讨了基于神经网络的Lyapunov函数构建方法，应用于非线性闭环动力系统的安全证明。研究了自适应学习与神经网络在控制系统中的结合，提出了新的神经网络结构以提高非线性系统识别的准确性，并评估了物理信息驱动的神经网络在实验数据中的表现。此外，讨论了轻量级Python框架在稳定性分析中的应用及深度学习在模拟机器人滞后行为中的作用。

本研究提出了一种名为DMDc的新方法，结合外部驱动信号与模型动力学，能够准确提取复杂系统的低阶模型。该方法仅依赖实验数据，无需系统方程知识，适用于多种实际案例。通过动态模态分解（DMD），实现高效的运动检测和非线性系统建模，显著降低计算成本并提高模型可解释性。

本文提出了一种基于数据驱动的方法，利用Koopman嵌入将原始状态空间提升到更高的线性流形，从而学习非线性系统的稳定模型。该方法在离散时间下能够学习所有非线性收缩模型，并通过直接参数化稳定线性系统来简化计算。在模拟系统上验证了该方法，并分析了与替代方案相比的优势。