摘要: 针对以往递归神经网络（RNN）训练算法难，连续搅拌反应釜（CSTR）的强非线性等问题，将回声状态网络（echo state network，ESN）方法应用于模型不确定的CSTR系统辨识中．ESN具有较强的非线性逼近能力和良好的短期记忆能力，且只需要训练网络输出权值，简化了网络训练算法．仿真结果表明，在相同条件下，与带动量的BP（back propagation）神经网络、BP-MLP（back propagation multilayer perceptron）神经网络、最小二乘支持向量机（LS-SVM）、模糊神经网络（FNN）、GAP-RBF神经网络、MGAP-RBF神经网络相比，ESN能给出相当好的性能，表现出较高的辨识精度，ESN比带动量的BP、BP-MLP、LS-SVM神经网络的逼近精度提高了4个数量级，表明了该方法的有效性．