非高斯噪声下参数辨识更准
融合ESN动态记忆与BiLSTM长程建模，联合辨识混沌系统全部参数，在α稳定Lévy噪声下仍保持高精度。
Xiaona, Wu · 马少娟 · Chang, Peiju · Wentao, Hou
Chaos, Solitons and Fractals 2026
EBNN利用ESN的动态记忆和BiLSTM的双向长程建模，有效应对α稳定Lévy噪声的非对称和脉冲特性，避免了传统方法在此类噪声下的精度衰减。
消融实验证实，与单一网络基准相比，EBNN架构将关键参数的平均绝对误差降低约30%，证明混合架构的设计有效。
尽管混沌系统对初始值高度敏感，EBNN仍能将MAE波动始终维持在0.4以下，保证了辨识的稳定性和可重复性。
EBNN能够联合辨识混沌系统中的全部参数，无需逐次估计或部分假设，简化了应用流程。