目录7.1 多尺度特征提取网络结构7.1.1 傅里叶特征嵌入在时间维度的应用7.1.2 残差自适应网络在刚性问题中的改进7.2 异构时间尺度数据的同化7.2.1 慢变量与快变量的分离训练框架7.2.2 实验数据同化中的时间对齐技术第二部分：代码实现7.1.1.1 针对高频时间动态的频率缩放因子设计7.1.1.2 消除频谱偏差的实验验证7.1.2.1 跳跃连接对缓解梯度消失的作用分析7.1.2.2 自适应激活函数对时间尺度变化的响应7.2.1.1 双网络耦合架构模拟快慢动力学7.2.1.2 损失函数中的时间尺度加权策略7.2.2.1 不规则时间序列数据的插值与配点匹配7.2.2.2 贝叶斯框架下的时间不确定性量化7.1 多尺度特征提取网络结构多尺度时间动态的准确建模要求神经网络具备捕捉从高频振荡到缓慢漂移的全频谱特征能力。传统全连接网络在处理具有显著尺度分离的刚性系统时表现出频谱偏差，倾向于优先学习低频成分而忽略快速瞬态。傅里叶特征嵌入与残差自适应架构通过显式编码时间尺度信息，克服了神经网络的低频偏好，实现了对刚性问题中快慢动力学的同步逼近。7.1.1 傅里叶特征嵌入在时间维度的应用/