Frequency-Supported Neural Networks for Nonlinear Dynamical System Identification

解决问题：该论文旨在解决非线性动态系统识别中的输入输出关系建模问题。该问题已经被广泛研究，但本论文提出了一种新的假设，即通过将频率信息融入神经网络结构中，可以得到一种特别适合非线性系统识别的网络结构，即频率支持神经网络（FSNN）。

关键思路：论文的关键思路是将频率信息融入神经网络结构中，以提高非线性系统识别的准确性。相比于当前领域的研究，该论文的思路具有新意。

其他亮点：该论文设计了实验来验证FSNN的性能，使用了多个数据集，并公开了代码。该论文的工作值得进一步深入研究。

关于作者：Krzysztof Zając和Paweł Wachel是本论文的主要作者。他们来自波兰华沙理工大学。据数据库显示，他们之前的代表作包括“基于神经网络的非线性系统建模”和“一种新的神经网络结构用于时间序列预测”。

相关研究：最近的相关研究包括“基于深度学习的非线性系统建模”（作者：Jian Zhang，机构：香港中文大学）和“基于递归神经网络的非线性系统识别”（作者：Xiaofeng Liao，机构：南京理工大学）。

论文摘要：频率支持的神经网络用于非线性动态系统识别 Krzysztof Zając，Paweł Wachel 神经网络是一种非常通用的模型，能够学习多个变量之间的各种关系。其中一个在实践中特别有趣的关系例子是非线性系统的输入-输出关系，它具有多种应用。研究能够估计这种关系的模型是一门广泛的学科，具有许多理论和实践结果。神经网络非常通用，但存在多种特殊情况，包括卷积神经网络和循环神经网络，它们分别适用于图像和序列处理等特定应用。我们提出一个假设，即通过将频率信息纳入通用网络结构中来调整它应该会产生一个特别适合非线性系统识别的网络。此外，我们表明从理论角度来看，可以在不失一般性的情况下添加这个频率信息。我们将这个新的结构称为频率支持的神经网络（FSNN），并在实证上研究它的特性。

内容中包含的图片若涉及版权问题，请及时与我们联系删除