本研究提出了一种简单序列模型LSSL，利用连续时间记忆结构矩阵提升性能，优于其他深度学习模型。探讨了神经状态空间模型的系统识别算法，分析了初始状态估计对动态系统的影响。研究了线性状态空间模型与深度神经网络的结合，比较了不同模型在学习长序列中的效率，并提出了状态空间模型的上下文学习能力及其权重构造方法，验证了其有效性。

本文提出了一种基于高斯过程模型的非参数鲁棒贝叶斯滤波和平滑方法，适用于非线性随机动态系统的识别与控制。研究表明，该方法在复杂情况下表现出优越的鲁棒性，并在高维Gauss-Markov模型和稳定未知噪声线性时不变系统中展示了有效性。

本文探讨了高斯过程回归的贝叶斯方法在非线性动态系统中的应用，提出了一种结合粒子MCMC算法的高效贝叶斯学习方法，增强了模型不确定性的量化能力。研究表明，该方法在系统识别和控制领域具有更强的鲁棒性和准确性。

本文介绍了结构化状态空间模型（SSMs）在机器学习和系统识别社区中的应用，解决极长序列分类和回归问题，学习深威纳模型的有效方法。文章总结了最新贡献并指出未来研究方向。

该文介绍了一种基于强化学习的端到端方法，用于实现(e)NMPC应用中的动态代理模型最优性能。该方法在两个应用中验证，表现相当于无模型神经网络控制器，始终优于基于系统识别的模型。