总体情况
有很多方法可以近似一个模型。一系列精彩的开放获取书籍就证明了这一点。在这里，我们只提供一个非常基本的概述。
广义上讲，模型降阶方法可以分为侵入式方法和非侵入式方法。
侵入式方法在底层数学方面最为优雅。它们在很大程度上尊重模型中的物理原理。然而，这种方法应用起来并不容易，因为需要对模型代码进行大量修改。对于复杂的模型，开发侵入式降阶模型可能需要数月甚至数年的时间。
通常只需几周或更短的时间即可开发完成。它们将模型视为黑匣子，因此非常 最近的手机号码数据 适合无法访问模型代码或不想更改代码的情况。实际上，您不需要模型本身，只需要完整模型针对各种参数和输入设置运行的结果。这些结果足以构建近似模型。从这个意义上讲，大多数非侵入式方法本质上是数据驱动的方法。
非侵入式方法的缺点在于，降阶模型无法理解模型中的物理原理。它只能处理获取的数据。因此，这种近似模型通常仅对那些与构建近似模型时所用参数足够接近的模型参数有效。由于缺乏对物理原理的理解，降阶模型根本无法知道近似区域之外的情况。
如今，使用神经网络等作为近似模型也正变得流行起来。这是一个显而易见的想法，因为神经网络在某种程度上只是极其复杂的函数近似，它一方面可以学习参数与历史之间的传递函数，另一方面可以学习模型结果。由于我们尚未尝试过，因此本文不会深入探讨这种方法。