众所周知，系统辨识的基础是输入输出数据，因此未受污染的完整的数据十分重要。然而高质量的数据在实际的工程中很难得到，比如在工业过程中，常常会出现未知的时间延迟或者由于硬件限制导致输入输出有不同的采样速率。无论是时滞系统还是双速率采样系统的辨识，对其的研究主要集中在线性模型和已知结构的非线性模型。对未知具体结构的非线性系统，本文提出了一种基于变分贝叶斯(VB)的方法能有效处理时变时滞或多速率采样。主要的研究内容如下:
　　1、针对能代表一大类非线性系统的带外输入的非线性自回归模型(NARX)，选择功能性函数比如多项式或小波，通过函数的方差分析(ANOVA)展开将非线性模型分解为子模型加权和的形式。在实施变分贝叶斯算法前的设置参数先验步骤中，将稀疏因子引入到参数先验方差里，这种在贝叶斯框架下进行结构辨识的方法叫做稀疏变分贝叶斯方法(SVB)。
　　2、对于时滞系统，将变化的时滞看作隐变量，使用稀疏变分贝叶斯方法对线性参数形式的NARX模型进行结构和参数辨识。辨识过程中结构和参数不断更新，直至子模型个数为1，最后使用证据下限(ELB)，一种变分贝叶斯的副产品，来进行最佳模型选择。
　　3、在双速率采样下，由于慢输出采样会产生缺失的输出。为了解决该问题，本论文使用稀疏变分贝叶斯结合修改的无迹粒子滤波(SVB-MUPF)的方法。用修改的无迹粒子滤波估计未知的真实输出，然后构成采样时刻真实输出的后验分布，可得到更准确的参数估计。结构辨识和最佳模型选择和时变时滞辨识过程相似。
　　综上所述，对于时变时滞或双速率采样下的非线性系统，所提的基于变分贝叶斯的方法能有效解决因结构未知而造成的辨识困难问题。