본 논문은 신뢰할 수 있는 제어를 위해 비선형 시스템의 정확한 모델링이 필수적이지만, 기존 식별 방법은 잠재 역학을 포착하고 안정성을 유지하는 데 어려움을 겪는다는 문제점을 제기한다. 이를 해결하기 위해, 데이터로부터 잠재 상태와 내부 스케줄링 변수를 직접 학습하는 \textit{안정적 설계 LPV 신경망 기반 상태 공간} (NN-SS) 모델을 제안한다. 학습된 스케줄링 변수를 사용하여 신경망이 생성한 상태 전이 행렬은 Schur 기반 매개변수를 통해 안정성이 보장된다. 이 아키텍처는 초기 상태 추정을 위한 인코더와 스케줄링 종속 시스템 행렬 전체를 구성하는 상태 공간 표현 네트워크를 결합한다. NN-SS 훈련을 위해, 다단계 예측 손실과 상태 일관성 정규화 항을 통합하여 드리프트에 대한 견고성을 보장하고 장기 예측 정확도를 향상시키는 프레임워크를 개발했다. 제안된 NN-SS는 벤치마크 비선형 시스템에서 평가되었으며, 고전적인 부분 공간 식별 방법 및 최근의 기울기 기반 접근 방식을 일관되게 능가하는 결과를 보였다.
