赛义德·瓦拉;史蒂文·布鲁顿。;伯特兰查普伦;阿南达·帕斯卡尔;织物领;Lucile Gaultier公司;罗南·法布雷特 利用物理约束的深度学习对部分观测地球物理系统进行有界非线性预测。 （英语） Zbl 1506.86004号 物理D 446，文章ID 133630，19 p.（2023）. 小结：实际地球物理系统的复杂性往往由于观测值依赖于隐藏变量这一事实而加剧。这些潜在变量包括未解决的小尺度和/或快速演化过程、部分观测到的耦合或耦合系统中的强迫。海洋大气动力学就是这样，未知的内部动力学会影响表面观测。因此，识别这种部分观测和高度非线性系统的计算相关表示具有挑战性，通常仅限于短期预测应用。在这里，我们利用神经常微分方程（NODE）表示研究了隐式动态嵌入的物理约束学习。特别地，我们将节点表示限制为线性二次动力学，并强制实施全局有界约束，从而将学习的动力学推广到任意初始条件。所提议的体系结构是在深度学习框架内实现的，并且它与代表地球物理动力学的不同案例研究的最新方案相关。 MSC公司： 86-08 地球物理问题的计算方法 2012年第68季度 计算理论中的量子算法和复杂性 37B25型 拓扑动力系统的稳定性 86A05型 水文学、水文学、海洋学 86A10美元 气象学和大气物理学 关键词：部分观测系统;嵌入;有界性;深度学习;神经ODE;预测 软件：NSF网络;合卡尔曼滤波;SINDy公司;torchdiffeq公司;阳极;阳极;hp-车辆识别号;ODEPACK代码包;红色工具箱 PDF格式BibTeX公司 XML格式引用 \textit｛S.Ouala｝等人，Physica D 446，文章ID 133630，第19页（2023；Zbl 1506.86004） 全文： DOI程序 arXiv公司 参考文献： [1] Steven L.Brunton。；约书亚·L·普罗克托。；Kutz，J.Nathan，通过非线性动力系统的稀疏识别从数据中发现控制方程，Proc。国家。阿卡德。科学。，113, 15, 3932-3937 (2016) ·Zbl 1355.94013号 [2] 约瑟夫·巴卡吉（Joseph Bakarji）；冠军凯萨琳；库茨（J.Nathan Kutz）；Brunton，Steven L.，用深度延迟自动编码器从部分测量中发现控制方程（2022），arXiv预印本arXiv:2201.05136 [3] Loiseau，Jean-Christophe；Brunton，Steven L.，约束稀疏Galerkin回归，流体力学杂志。，838, 42-67 (2018) ·兹比尔1419.76205 [4] Alan A.Kaptanoglu。；卡拉汉，杰瑞德·L·。；阿列克桑德·阿拉夫金；克里斯托弗·J·汉森。；Brunton，Steven L.，《促进二次非线性动力学数据驱动模型的全局稳定性》，Phys。流体版本，第6、9条，第094401页（2021） [5] Kramer，Boris，二次双线性降阶模型的稳定域，SIAM J.Appl。动态。系统。，20, 2, 981-996 (2021) ·Zbl 1472.34105号 [6] 孙若玉，《深度学习优化：理论与算法》（2019），arXiv预印本arXiv:1912.08957 [7] Yann LeCun；约书亚·本吉奥；杰弗里·辛顿（Geoffrey Hinton），《深度学习》（Deep learning），《自然》（Nature），521、7553、436-444（2015） [8] 格雷瓦尔，M。；Glover，Keith，线性和非线性动力系统的可辨识性，IEEE Trans。自动化。控制，21，6，833-837（1976）·Zbl 0344.93022号 [9] 基思·格洛弗；Willems，Jan，线性动力系统的参数化：规范形式和可识别性，IEEE Trans。自动化。控制，19，6，640-646（1974）·Zbl 0296.93008号 [10] Wahlberg，Bo，《关于连续时间动力系统的识别》，IFAC Proc。第21卷，第9卷，第435-440页（1988年） [11] Kumpati，S.Narendra；Kannan，Parthasarathy，使用神经网络识别和控制动力系统，IEEE Trans。神经网络。，1, 1, 4-27 (1990) [12] 帕塔克，贾迪普；布赖恩·亨特（Brian Hunt）；Michelle Girvan；陆志新；Ott，Edward，《从数据对大型时空混沌系统进行无模型预测：水库计算方法》，Phys。修订稿。，120，第024102条pp.（2018） [13] 陈天奇；尤利娅·鲁巴诺娃；杰西·贝登古尔（Jesse Bettencourt）；Duvenaud，David K.，神经常微分方程，（神经信息处理系统进展（2018）），6571-6583 [14] 奥拉莱坎·奥贡穆鲁；顾学军；Steve Jiang；Gans，Nicholas，使用深度动态神经网络的非线性系统识别（2016），arXiv预印本arXiv:11610.01439 [15] 罗南·法布雷特；赛义德·瓦拉；Herzet，Cedric，用于动力系统识别和预测的双线性剩余神经网络，SciRate（2017） [16] Duong Nguyen，Said Ouala，Lucas Drumetz，Ronan Fablet，《从噪声和部分数据中对混沌动力系统进行基于同化的学习》，载于：ICASSP 2020-2020 IEEE声学、语音和信号处理国际会议，ICASSP，2020，第3862-3866页。 [17] 阮，Duong；赛义德·瓦拉；卢卡斯·德鲁梅茨（Lucas Drumetz）；Fablet，Ronan，《利用噪声和部分观测识别和重建混沌和随机动力系统的变分深度学习》（2020），arXiv预印本arXiv:2009.02296 [18] 赛义德·瓦拉；劳伦特·德布鲁（Laurent Debreu）；阿南达·帕斯卡尔；伯特兰·查普伦；衣领，织物；Lucile Gaultier；Fablet，Ronan，《用于ODE模拟和识别的Learning Runge-Kutta集成方案》（2021），arXiv预印本arXiv:2105.04999 [19] Braakmann-Folgmann，Anne；罗舍尔，里巴纳；苏珊娜·温泽尔（Susanne Wenzel）；伯恩德·乌伊平；Kusche，Jürgen，使用递归神经网络进行海平面异常预测（2017），arXiv:1710.07099[cs] [20] 布赖恩·林；Zohren，Stefan，《深度学习时间序列预测：一项调查》（2020年），arXiv:2004.13408[stat.ML] [21] 赛义德·瓦拉；罗南·法布雷特；赫泽，塞德里克；伯特兰·查普伦；阿南达·帕斯卡尔；衣领，织物；Gaultier，Lucile，基于神经网络的卡尔曼滤波器，用于卫星衍生海面温度的时空插值，遥感，10，12，1864（2018） [22] William Gilpin，《从时间序列深度重建奇异吸引子》（2020），arXiv:2002.05909[cs.LG] [23] 罗南·法布雷特；伯特兰·查普伦；卢卡斯·德鲁梅茨（Lucas Drumetz）；艾蒂安·梅敏；奥利维尔·潘尼库克（Olivier Pannekoucke）；卢梭，弗朗索瓦，《学习变分数据同化模型和求解器》（2020），arXiv预印本arXiv:2007.12941 [24] Cheon，Kangbeom；Kim，Jaehoon；穆萨·哈马达奇（Moussa Hamadache）；Lee，Dongik，关于用深度学习控制器代替PID控制器用于直流电机系统，J.Autom。控制工程，3，6（2015） [25] 凯撒，尤里卡；库茨（J.Nathan Kutz）；Brunton，Steven L.，低数据限下模型预测控制的非线性动力学稀疏辨识，Proc。R.Soc.A，474，2219，第20180335条，pp.（2018）·Zbl 1425.93175号 [26] San，Omer；Maulik，Romit，湍流地球物理流降阶建模的极限学习机，Phys。版本E，97，4，第042322条pp.（2018）·Zbl 1480.76046号 [27] 阿比纳夫·古普塔；Lermusiaux，Pierre F.J.，动力学系统的神经闭合模型，Proc。R.Soc.A，477，2252，第20201004条，pp.（2021） [28] 赛义德·瓦拉；塞德里克·赫泽特；Fablet，Ronan，使用补丁级神经网络表示法预测和重建海面温度（2018），arXiv:1806.00144[cs，stat] [29] 罗南·法布雷特；卢卡斯·德鲁梅茨（Lucas Drumetz）；Rousseau，Francois，部分观测数据反问题变分表示和解的联合学习（2020），arXiv:2006.03653[cs.LG]·Zbl 1434.68521号 [30] 苏曼州拉武里；Lenc，Karel；马修·威尔森；Dmitry Kangin；雷米·林；彼得·米洛夫斯基；梅根·菲茨西蒙斯；玛丽亚·阿塔纳西亚杜（Maria Athanassiadou）；谢利姆·卡塞姆；萨姆·马奇（Sam Madge），《利用雷达深层生成模型进行精确降水预报》，《自然》（Nature），第597、7878、672-677页（2021年） [31] 弗洛里斯·塔克斯（Floris Takens），《探测湍流中的奇怪吸引子》（Rand，David；Young，Lai-Sang，《动力系统与湍流》，沃里克出版社，1980年（1981），斯普林格-柏林-海德堡：斯普林格–柏林-海德堡-柏林，海德堡），366-381·Zbl 0513.58032号 [32] 瓦拉，S。；Nguyen，D。；Drumetz，L。；查普伦，B。；Pascual，A。；科拉德，F。；Gaultier，L。；Fablet，R.，学习部分观测混沌系统的潜在动力学，混沌，30，10，第103121页，（2020）·Zbl 1456.37099号 [33] Kaptanoglu，艾伦·A。；Kyle D.Morgan。；克里斯·汉森（Chris J.Hansen）。；Brunton，Steven L.，《MHD的物理约束低维模型：第一原理和数据驱动方法》（2020），arXiv预印本arXiv:2004.10389 [34] 关毅飞；Steven L.Brunton。；Novoselov，Igor，混沌电波的稀疏非线性模型（2020），arXiv预印本arXiv:2009.11862 [35] 王锐；罗宾·沃尔特斯；Yu，Rose，将对称性纳入深度动力学模型以改进泛化（2020），arXiv预印本arXiv:2002.03061 [36] 王锐、卡希纳特·卡希纳特、穆斯塔法·穆斯塔法、阿德里安·阿尔伯特、罗斯·余，《面向湍流预测的基于物理的深度学习》，载《第26届ACM SIGKDD国际知识发现与数据挖掘会议论文集》，2020年，第1457-1466页。 [37] 高拉夫·马内克；Kolter，J.Zico，学习稳定的深层动力学模型（2020），arXiv:2001.06116[cs.LG] [38] 罗德里格斯（Rodriguez）、伊万·达里奥·希梅内斯（Ivan Dario Jimenez）；艾姆斯（Aaron D.Ames）。；Yue，Yisong，LyaNet:训练神经ODE的Lyapunov框架（2022），arXiv:2202.02526[cs.LG] [39] Michael Schlegel；Noack，Bernd R.，《关于Galerkin模型的长期有界性》，J.流体力学。，765, 325-352 (2015) ·Zbl 1336.76014号 [40] 梅森·坎布；凯撒，尤里卡；Steven L.Brunton。；Kutz，J.Nathan，《科普曼的时间延迟观测：理论和应用》，SIAM J.Appl。动态。系统。，19, 2, 886-917 (2020) ·Zbl 1441.37090号 [41] Michael Schmidt；Hod Lipson，《从实验数据中提取自由形式的自然法则》，《科学》，324，5923，81-85（2009） [42] Johan Paduart；劳尔斯、列夫；斯威夫斯，一月；阴燃者，克里斯；Johan Schoukens；Pintelon，Rik，使用多项式非线性状态空间模型识别非线性系统，Automatica，46，4，647-656（2010）·兹比尔1193.93089 [43] 王文秀；杨锐；赖英成；科瓦尼斯、瓦西里奥斯；Grebogi，Celso，通过压缩感知预测非线性动力系统中的灾难，物理。修订稿。，106，第154101条pp.（2011） [44] 袁、叶；唐秀川；周伟；潘伟；李秀婷；张海涛；丁、韩；Goncalves，Jorge，《数据驱动的网络物理系统发现》，《自然通讯》。，10, 1, 1-9 (2019) [45] 斯特芬·威维尔；莫里茨·贝彻（Moritz Becher）；Thuerey，Nils，《潜在空间物理学：朝向流体流动的时间演化》（2018），arXiv:1802.10123[cs.LG] [46] 马齐亚·莱斯；巴黎佩迪卡里斯；George E.Karniadakis，《基于物理的神经网络：解决涉及非线性偏微分方程的正问题和逆问题的深度学习框架》，J.Compute。物理。，378, 686-707 (2019) ·Zbl 1415.68175号 [47] 瓦拉，S。；Pascual，A。；Fablet，R.，剩余积分神经网络，（ICASSP 2019-2019 IEEE声学、语音和信号处理国际会议，ICASSP（2019）），3622-3626 [48] 沈国瑞；库尔斯（Kurths），尤根（Jürgen）；Yuan，Ye，时空系统的序列对序列预测，Chaos，30，2，Article 023102 pp.（2020） [49] 他，开明；张向宇；任少清；孙健，图像识别的深度剩余学习（2015），arXiv:1512.03385[cs] [50] 马尔科·弗拉卡罗（Marco Fraccaro）；Sönderby，Sören Kaae；乌尔里希·帕奎特；Winther，Ole，随机层序列神经模型（2016），arXiv:1605.07571[cs，stat] [51] 拉胡尔·克里希南（Rahul G.Krishnan）。；乌里·沙利特；Sontag，David，《非线性状态空间模型的结构化推理网络》（2016），arXiv:1609.09869[cs，stat]。arXiv:1609.09869 [52] 埃文森，盖尔，《数据同化：集成卡尔曼滤波器》（2009），施普林格科学与商业媒体·Zbl 1395.93534号 [53] 博奎特，马克；朱利安·布拉贾德；阿尔贝托·卡拉西；Bertino，Laurent，《数据同化作为推断动力学模型的常微分方程表示的学习工具》，《非线性过程》。地球物理学。，26, 3, 143-162 (2019) [54] 朱利安·布拉贾德；加拉西，阿尔贝托；马克·博奎特（Marc Bocquet）；Bertino，Laurent，结合数据同化和机器学习从稀疏和噪声观测模拟动力学模型：Lorenz 96模型的案例研究（2020），arXiv预印本arXiv:2001.01520 [55] Kumar，D.Nagesh；Raju，K.Srinivasa；Sathish，T.，《使用递归神经网络进行河流流量预测》，《水资源》。管理。，18, 2, 143-161 (2004) [56] 苏米特·库马尔；侯赛因、拉萨尼；塞哈尔·巴纳吉；Reza，Motahar，《使用深度学习方法进行能源负荷预测——火花群中的LSTM和GRU》，（2018年第五届信息技术新兴应用国际会议。2018年第5届信息技术新应用国际会议，EAIT（2018），IEEE），1-4 [57] 蔡一亭；曾玉仁；Chang，岳山，使用RNN和LSTM进行空气污染预测， （2018年IEEE第16届可靠、自主和安全计算国际会议、第16届普及智能和计算国际会议，第4届大数据智能和计算及网络科学与技术大会国际会议ng，第四届国际大数据智能与计算大会和网络科学与技术大会，DASC/PiCom/DataCom/CyberSciTech（2018），IEEE，1074-1079 [58] Koopman，B.O.，希尔伯特空间中的哈密顿系统和变换，Proc。国家。阿卡德。科学。美国，17，5，315-318（1931） [59] 威廉姆斯，Matthew O。；Ioannis G.Kevrekidis。；Rowley，Clarence W.，《Koopman算子的数据驱动近似：扩展动态模式分解》，《非线性科学杂志》。，25, 6, 1307-1346 (2015) ·Zbl 1329.65310号 [60] Steven L.Brunton。；宾尼·W·布伦顿。；约书亚·L·普罗克托。；Kutz，J.Nathan，用于控制的非线性动力系统的Koopman不变子空间和有限线性表示，PLoS One，11，2，Article e0150171 pp.（2016）·Zbl 1365.65009号 [61] Steven L.Brunton。；宾尼·W·布伦顿。；约书亚·L·普罗克托。；凯撒，尤里卡；Kutz，J.Nathan，《作为间歇性受迫线性系统的混沌》，《自然通讯》。，8, 1, 1-9 (2017) [62] Naoya Takeishi；川原义信；Yairi，Takehisa，学习动态模式分解的koopman不变子空间（2017），arXiv预印本arXiv:1710.04340 [63] 贝萨尼·卢什；库茨（J.Nathan Kutz）；Brunton，Steven L.，非线性动力学普遍线性嵌入的深度学习，自然通讯。，9, 1, 1-10 (2018) [64] Yeung，Enoch；苏米亚昆都；Hodas，Nathan，学习非线性动力系统koopman算子的深度神经网络表示，（2019年美国控制会议，2019年美洲控制会议，ACC（2019），IEEE），4832-4839 [65] 兰格（Lange）、海宁（Henning）；Steven L.Brunton。；Kutz，Nathan，《从傅里叶到库普曼：长期时间序列预测的谱方法》（2020），arXiv预印本arXiv:2004.00574·Zbl 07370558号 [66] 阿泽科特，奥姆里；埃里克森，N.本杰明；林凡妮莎；Michael Mahoney，使用一致的koopman自动编码器预测序列数据，（机器学习国际会议（2020），PMLR），475-485 [67] 赖斯，朱利安；徐文伟；安德鲁·奥古斯特（Andrew August，Analysis koopman），《分析koopman方法对物理信息机器学习进行长期海面温度预测（2020）》，arXiv预印本arXiv:2010.00399 [68] 亚历山大·莫罗伊；Mezić，Igor；Susuki，Yoshihiko，《系统与控制中的Koopman算子：概念、方法和应用》（2020），Springer Nature·Zbl 1448.93003号 [69] 安德鲁·马吉达（Andrew J.Majda）。；Harlim，John，时间序列的物理约束非线性回归模型，非线性，26，1，201（2012）·Zbl 1262.93024号 [70] 安德烈亚斯·马特；卢卡·帕斯夸利（Luca Pasquali）；不，弗兰克；吴浩，带物理约束的深度学习Markov和koopman模型，（数学与科学机器学习（2020），PMLR），451-475 [71] 马浩；胡香玉；张宇轩；尼尔斯·瑟雷；Haidn，Oskar J.，使用深度卷积神经网络进行稳态热传导预测的数据驱动和物理驱动组合方法（2020年），arXiv:2005.08119[physics.comp-ph]·Zbl 1500.76071号 [72] 金晓伟；蔡盛泽；李慧；Karniadakis，George Em，Nsfnets（Navier-Stokes流网）：不可压缩Navier-Stokes方程的物理信息神经网络，J.Compute。物理。，426，第109951条，第（2021）页·Zbl 07510065号 [73] 蔡盛泽；王志成；王思凡；巴黎佩迪卡里斯；George Karniadakis，《传热问题的物理信息神经网络》，J.heat transfer（2021） [74] Kashinath，K。；穆斯塔法，M。；阿尔伯特。；Wu，J.L。；江，C。；Esmaeilzadeh，S。；Azizzadenesheli，K。；王，R。；Chattopadhyay，A。；Singh，A.，Physics-informated machine learning:Case studies for weather and climate modeling，菲尔·Trans。R.Soc.A，379，2194，第20200093条，pp.（2021） [75] 穆罕默德达巴德博兹切卢（Mahmoudabadbozchelou，Mohammadamin）；马可·卡吉奥尼；沙沙瓦里，塞塔雷；威廉·哈特。；Em Karniadakis，乔治；Jamali，Safa，《复杂流体的数据驱动物理信息本构元建模：多元神经网络（MFNN）框架》，J.Rheol。，65, 2, 179-198 (2021) [76] 哈拉兹米，埃桑；张忠强；Karniadakis，George Em，Hp-VPINNs:具有区域分解的变分物理信息神经网络，计算。方法应用。机械。工程师，374，第113547条，第（2021）页·Zbl 1506.68105号 [77] 杨柳；孟旭辉；Karniadakis，George Em，B-PINNs:贝叶斯物理信息神经网络，用于含噪声数据的正向和反向PDE问题，J.Compute。物理。，425，第109913条pp.（2021）·Zbl 07508507号 [78] 何开明；张向宇；任少清；孙健，图像识别的深度残差学习，（IEEE计算机视觉与模式识别会议论文集（2016）），770-778 [79] 何开明；张向宇；任少清；Sun，Jian，深度残差网络中的身份映射，欧洲计算机视觉会议，630-645（2016），施普林格 [80] Weinan，E.，《通过动态系统进行机器学习的建议》，Commun。数学。统计，5，1，1-11（2017）·Zbl 1380.37154号 [81] 拉斯·鲁索托；Haber，Eldad，偏微分方程驱动的深度神经网络，数学杂志。成像视觉，62，3，352-364（2020）·Zbl 1434.68522号 [82] 法国卢梭；卢卡斯·德鲁梅茨（Lucas Drumetz）；Fablet，Ronan，《剩余网络作为微分同态流》，J.Math。成像视觉，62,3365-375（2020）·Zbl 1434.68521号 [83] 埃米利安杜邦；阿诺杜塞特；Teh，Yee Whye，《增强神经节点》（2019），arXiv预印本arXiv:1904.01681 [84] 严汉书；杜佳伟；Tan，Vincent Y.F。；冯家石，关于神经常微分方程的稳健性（2019），arXiv预印本arXiv:1910.05513 [85] 阿米尔·戈拉米；科特·科伊策（Kurt Keutzer）；George Biros，ANODE:神经ODE的无条件精确记忆有效梯度（2019），arXiv:1902.10298[cs.LG] [86] 张天军；姚哲伟；阿米尔·戈拉米；库尔特·凯泽；约瑟夫·冈萨雷斯（Joseph Gonzalez）；乔治·比罗斯（George Biros）；Michael Mahoney，ANODEV2:耦合神经ODE进化框架（2019），arXiv:1906.04596[cs.LG] [87] 亚伦·图尔；Drgona，Jan；Vrabie，Draguna，具有稳定性保证的约束神经常微分方程（2020），arXiv预印本arXiv:2004.10883 [88] Ling，Julia；安德鲁·库扎夫斯基（Andrew Kurzawski）；Templeton，Jeremy，《使用嵌入不变性的深层神经网络进行雷诺平均湍流建模》，J.Fluid Mech。，807, 155-166 (2016) ·Zbl 1383.76175号 [89] 安德烈亚·贝克（Andrea Beck）；大卫·弗拉德（David Flad）；Munz，Claus-Dieter，数据驱动LES闭合模型的深度神经网络，J.Compute。物理。，398，第108910条，第（2019）页 [90] 劳雷·赞纳；Bolton，Thomas，海洋中尺度闭合的数据驱动方程发现，地球物理。Res.Lett.公司。，47、17（2020），e2020 GL088376 [91] 弗雷扎特，雨果；纪尧姆·巴拉奇；朱利安·勒（Julien Le Sommer）；罗南·法布雷特；Lguensat，Redouane，亚脊尺度标量通量建模神经网络的物理不变性（2020），arXiv预印本arXiv:2010.04663 [92] 查拉兰波普洛斯（Charalampopoulos），Alexis-Tzianni G。；Sapsis，Themistoklis P.，湍流和惯性示踪剂的机械学习能量保持非局部封闭（2021），arXiv预印本arXiv:2102.07639 [93] 克劳斯·诺伊曼；安德烈·莱姆（Andre Lemme）；Steil，Jochen J.，基于数据驱动lyapunov候选者的稳定动力学系统的神经学习，2013年IEEE/RSJ智能机器人和系统国际会议，1216-1222（2013），IEEE [94] Benosman、Mouhacine；鲍里斯·克莱默（Boris Kramer）；Petros T.Boufounos。；Grover，Piyush，基于学习的偏微分方程降阶模型镇定：耦合Burgers方程的应用，2016年美国控制会议，1673-1678（2016），IEEE [95] 乔戈斯·马马库卡斯；俄勒冈州Xherija；Murphey，T.D.，用于预测和控制的稳定线性动力系统的记忆效率学习（2020），arXiv预印本arXiv：2006.03937 [96] 王，余；高启通；Pajic，Miroslav，稳定单调动力系统的深度学习（2020），arXiv预印本arXiv:2006.06417 [97] 安德鲁·泰勒（Andrew J.Taylor）。；维克多·D·多洛班图。；Le，Hoang M。；岳义松；Ames，Aaron D.，《不确定机器人系统的控制Lyapunov函数情景学习》（2019），arXiv:1903.01577[cs.RO] [98] 埃里克森，N.本杰明；Michael Muehlebach；Mahoney，Michael W.，《Lyapunov稳定流体流量预测的Physics-informated自动编码器》（2019年），arXiv预印本arXiv:1905.10866 [99] 托马斯·帕克。；Chua，Leon O.，极限集的稳定性，（混沌系统的实用数值算法（1989），纽约斯普林格出版社：纽约斯普林格出版社，纽约州纽约市），57-82·Zbl 0692.58001号 [100] 利亚普诺夫，亚历山大·米哈伊洛维奇，运动稳定性的一般问题，国际。《控制杂志》，55，3，531-534（1992）·Zbl 0786.70001号 [101] 迈克尔·马利索夫（Michael Malisoff）；Mazenc，Frédéric，《严格Lyapunov函数的构造》（2009），Springer Science&Business Media·兹比尔1186.93001 [102] James D.Meiss，《微分动力系统》（2007），SIAM·Zbl 1144.34001号 [103] 蒂姆·索尔（Tim Sauer）；詹姆斯·A·约克。；Martin Casdagli，Embedology，J.Stat.Phys。，65, 3, 579-616 (1991) ·Zbl 0943.37506号 [104] 彼得·林奇（Peter Lynch）；黄向玉，《初始化》，（威廉·拉霍兹；鲍里斯·卡塔托夫；理查德·梅纳德，《数据同化：理解观察》（2010），施普林格·柏林-海德堡：施普林格-柏林-海德堡-柏林，海德堡），241-260·Zbl 1194.86002号 [105] Langer，R.E.，Vito Volterra，泛函理论和积分微分方程理论，布尔。阿米尔。数学。社会，38，9。第1623页（1932年） [106] 顾晨杰，QLMOR：一种基于投影的非线性模型降阶方法，使用非线性系统的二次线性表示，IEEE Trans。计算-辅助设计。集成。电路系统。，30, 9, 1307-1320 (2011) [107] 钱，伊丽莎白；鲍里斯·克莱默（Boris Kramer）；本杰明·佩赫斯托弗；Willcox，Karen，Lift&learn:大型非线性动力系统的基于物理的机器学习，Physica D，406，Article 132401 pp.（2020）·Zbl 1493.62512号 [108] Edward N.Lorenz，《确定性非周期流》，J.Atmos。科学。，20, 2, 130-141 (1963) ·Zbl 1417.37129号 [109] Hindmarsh，A.C.，ODEPACK，ODE解算器的系统化集合，IMACS Trans。科学。计算。，1, 55-64 (1983) [110] Henry D.I.Abarbanel，《选择时间延迟》（《观测到的混沌数据分析》，1996年），纽约施普林格出版社：纽约施普林格出版社，25-37·Zbl 0890.93006号 [111] Henry D.I.Abarbanel，选择重构相空间的维数，（《观测混沌数据分析》（1996），纽约施普林格出版社：纽约施普林格出版社），39-67·Zbl 0890.93006号 [112] 斯普洛特、朱利安·克林顿（Julien Clinton），《混沌与时间序列分析》（Chaos and Time-Series Analysis）（2003），牛津大学出版社：牛津大学出版社，美国纽约州纽约市·Zbl 1012.37001号 [113] Edward N.Lorenz，《可预测性：部分解决的问题》（Proc.Seminar on Predictability，vol.1（1996）） [114] 阿尔菲奥·夸特罗尼；安德烈亚·曼佐尼；Negri，Federico，《偏微分方程的约化基方法：导论》，第92卷（2015年），Springer·Zbl 1337.65113号 [115] 雨果·弗雷扎特；纪尧姆·巴拉奇；Le Sommer，Julien；罗南·法布雷特；Lguensat，Redouane，亚脊尺度标量通量建模神经网络中的物理不变性，物理学。Rev.流体，6，2，文章024607 pp.（2021） 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。