物理融合数据驱动
整合物理信息与深度神经网络，即使在系统参数时变且难以测量的实际工况下，也能准确预测受电弓-接触网系统的响应和状态。
程尧 · Yan, Jingke · 张方 · Mudi, Li · 周宁 · ChangJing, Shi · Jin, Bo · 张卫华
Mechanical Systems and Signal Processing 2025
模型不依赖难以测量的时变系统参数，通过物理信息约束和无监督学习直接从数据中学习系统行为。
引入物理信息作为先验，减少了对大量标注数据的依赖，提高了泛化能力，并增强了模型对噪声的鲁棒性。
模型在仿真数据和实际运行数据上均表现出色，验证了其跨数据源的适用性，为实际部署提供了信心。