提出可显式构造的循环神经网络，有效逼近有递归性的离散动力系统。

Explicit construction of recurrent neural networks effectively approximating discrete dynamical systems

• 基于递归性设计显式网络结构，直接匹配动力系统演化规律。
• 在任意有界离散时间序列上实现逼近，误差可控且理论保证。
• 适合研究动力系统建模与控制的学者，尤其关注理论可解释性者。

我们研究源于具有递归性的动力系统的任意有界离散时间序列。更具体地说，本文提供了循环神经网络的显式构造方法，能够有效逼近相应的离散动力系统。该构造确保了对任意有界序列的近似性能，并在理论上给出了逼近误差的控制机制。结果表明，所提出的网络结构不仅能捕捉系统的时间依赖特性，还能在理论上保证其逼近能力，为复杂动态过程的建模提供了一种可解释的深度学习方案。

原文摘要 · Abstract (English)

We consider arbitrary bounded discrete time series originating from dynamical system with recursivity. More precisely, we provide an explicit construction of recurrent neural networks which effectively approximate the corresponding discrete dynamical systems.

Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。