一种异构时序变量输入输出动态性的智能自适应学习方法

本发明公开了一种异构时序变量输入输出动态性的智能自适应学习方法，该方法建立了一个输入和输出均为混合变量的状态空间结构，既表征语音、工业传感器数据等异构时序变量的动态特性，也反映外部输入对动态性的影响；为了基于异构时序观测变量高效地推断动态潜变量的后验分布，利用局部变分近似推导前后时刻状态之间解析形式的递归关系，从而加速离线训练过程，并确保在线模型更新速度在可接受的范围内，增强所提模型和方法的实用性；在此基础上，引入递归模型更新和自适应监测策略，以智能跟踪过程的正常变化，并采用滑动窗口机制以提高模型与当前数据特性的匹配度，限制计算复杂度。本发明能够精确描述输入变量对输出变量及变量动态性的影响。