报告题目—基于深度学习的高余维分岔识别的研究及其进展

报 告 人：申建伟

主 持 人：陈锋

时 间：2026 年 4 月 28 日星期二下午 2：00

地 点：#腾讯会议：804-620-1330

主办单位：数学与统计学院

报告人简介： 申建伟，二级教授，博士生导师，现任河南省应用数学中心（华

北水利水电大学）主任，受聘河南省高校特聘教授，曾先后在上海大学和日本东

京大学从事博士后研究，在香港城市大学和美国加州大学洛杉矶分校进行学术研

究。主要从事非线性动力系统理论及其应用方面的研究，先后入选教育部新世纪

优秀人才支持计划，河南省高校科技创新人才计划，获河南省杰出人才基金和杰

出青年基金以及中原基础研究领军人才基金，主持国家自然科学基金 6 项，参与

国家自然科学基金重点项目 1 项，发表论文 130 余篇，在 Springer 出版专著

1 部，研究成果获教育部自然科学奖二等奖和河南省自然科学奖二等奖。

观点综述：高余维分叉揭示了多参数耦合作用下的临界跃迁机理。本文提出了一

种基于任务解耦思想的整体式深度学习框架，可实现从原始时序数据到分叉类型

预测的全流程建模：针对稳定点类（Fold、Cusp）与极限环类（Hopf、Limit

Cycle Fold、Bautin）分别构建识别模型，并结合双策略时序截取与规范型驱动

的仿真数据生成方法，在含噪与缓变参数条件下实现了对分叉类型的鲁棒判别。

基于该框架，我们在生态系统、地震 GNSS 形变及 COVID-19 死亡率等多源时序

数据上验证了其跨领域泛化性能，并能够提前识别 Cusp/Bautin 等高余维分叉

的临界先兆。进一步地，在双参数可调系统中，及时识别高余维分叉并沿“非灾

变路径”实施参数调控，可实现由突变向平滑演化的转化，从而避免或显著延缓

灾难性临界跃迁。