慢变实值函数的在线逼近算法

我正在处理一个有趣的机器学习问题,如果有人知道一个好的算法来处理以下问题,我很乐意听到:

• 算法必须学习近似 N输入 和 M输出
• n相当大,例如 1000—10000
• M很小,例如 5-10
• 所有输入和输出 浮点值 ,可以是正的或负的,在绝对值上可能相对较小,但在界限上没有绝对保证。
• 每个时间段我得到n个输入,需要预测m输出,在时间段结束时,提供m输出的实际值(即,这是 监督学习 需要学习的情况 在线 )
• 基础函数是 非线性的 ,但不要太讨厌(例如,我希望它在大多数输入空间上都是平滑和连续的)
• 将会有一个 少量噪音 在函数中,但信号/噪声可能很好-我预计n个输入值将占输出值的95%+。
• 基础函数是 随时间缓慢变化 -不太可能在一个时间段内发生剧烈变化,但可能在1000多个时间段范围内发生轻微变化。
• 有 无需担心隐藏状态 (除变化功能外),即所需的所有信息都在n个输入中

我目前正在考虑一种具有许多隐藏节点的反向传播神经网络可能会起作用——但这真的是这种情况下的最佳方法吗?它能处理变化的函数吗?