平滑算子神经网络（SmooNet）与泛函微分方程：动态系统建模与预测新范式

本文创新性地提出平滑算子神经网络（SmooNet）框架，通过引入具有无限节点“隐藏串”的连续隐藏层结构，有效解决了传统ODE模型无法刻画记忆效应的局限，为动态系统（如生理信号分析、疾病传播建模）提供了更精准的泛函微分方程（FDE）逼近工具。

亮点（Highlights）：

• •
  突破传统：用“隐藏串”颠覆神经网络架构！SmooNet的隐藏层不再是离散节点，而是由光滑函数控制的连续区域，完美适配泛函微分方程（FDE）的无限维特性。
• •
  记忆效应捕捉大师：告别普通微分方程（ODE）的“瞬时健忘症”！FDE模型让系统变化率同时依赖当前状态和历史轨迹，像给模型装了“时间胶囊”。
• •
  预测精度革命：实证显示，基于太阳黑子数据的预测误差比传统方法降低40%——这对心血管疾病波动监测、流行病传播建模等生命科学应用意义重大。

创新方法（Methodology）：

• •
  平滑算子魔法：将神经网络的权重函数β(s,u)展开为有限基函数组合，参数规模从数万骤降至数百——就像用“基因编辑”技术精准修剪冗余连接！
• •
  移动窗口妙计：用滑动时间窗（MWiLS）替代全局优化，避免初始条件误差像“多米诺骨牌”般传导，尤其适合临床数据中的间歇性观测场景。

模拟验证（Simulation）：

• •
  三组FDE模型测试中，SmooNet均表现出“超能力”级拟合：对含三角函数积分算子的复杂系统，预测曲线与真实解几乎重合——这为阿尔茨海默病脑电波分析、癌症生长动力学建模提供了新武器。