这是在以下位置描述的模型和图形的代码：
***现在在JMLR***Noga Mudrik、Yenho Chen、Eva Yezerets、Christopher Rozell、Adam Charles。“用于学习神经动力学潜在成分的分解线性动力学系统（dLDS）”。2024年JMLR。
在群体水平上学习可解释的神经动力学表征是理解神经活动如何与感知和行为相关的关键第一步。神经动力学模型通常关注神经活动的低维投影，或学习与神经状态随时间变化明确相关的动力学系统。我们通过将动力系统视为低维流形上流动的代表来讨论这两种方法是如何相互关联的。基于这一概念，我们提出了一种新的分解动力学系统模型，该模型将时间序列数据的复杂非平稳和非线性动力学表示为更简单、更易于解释的成分的稀疏组合。动力学的分解性质概括了以前的切换方法，并支持动力学中重叠漂移和非平稳漂移的建模。我们进一步提出了一种字典学习驱动的模型拟合方法，利用最近的结果跟踪稀疏向量。我们证明了我们的模型可以在连续时间和离散时间的例子中学习有效的表示和动态模式之间的平滑转换。我们给出了低维线性和非线性吸引子的结果，以证明我们的分解动力学系统模型能够很好地逼近非线性动力学。此外，我们将模型应用于秀丽线虫数据，说明了在划分为离散状态时被模糊的动力学的多样性。
离散模型结果的可视化可从以下网址获得： Python谷歌可乐可视化链接
