1、針對(duì)現(xiàn)代工業(yè)過(guò)程中，對(duì)于測(cè)量參數(shù)比較難甚至由硬件也無(wú)法進(jìn)行實(shí)時(shí)檢測(cè)的問(wèn)題，軟測(cè)量技術(shù)是一種有效的解決方法。酒精精餾過(guò)程是工業(yè)中的一個(gè)非常復(fù)雜的化工過(guò)程，具有非線性、大滯后和時(shí)變性等特點(diǎn)。同時(shí)，精餾產(chǎn)品濃度也難以實(shí)時(shí)在線檢測(cè)。針對(duì)該問(wèn)題，本文在總結(jié)了精餾產(chǎn)品濃度在線檢測(cè)的研究現(xiàn)狀和傳統(tǒng)軟測(cè)量建模方法的基礎(chǔ)上，利用基于人工神經(jīng)網(wǎng)絡(luò)和最小二乘支持向量機(jī)(LS-SVM)的多種軟測(cè)量建模方法對(duì)酒精精餾過(guò)程產(chǎn)品濃度建立了模型。本文進(jìn)行了如下的工作：

2、
　　 (1)分析和研究了徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(RBF)的結(jié)構(gòu)和原理，同時(shí)具體地介紹了自適應(yīng)神經(jīng)模糊推理系統(tǒng)(ANFIS)的拓?fù)浣Y(jié)構(gòu)圖和學(xué)習(xí)算法，利用兩種方法建立酒精精餾產(chǎn)品濃度的軟測(cè)量模型，結(jié)果表明建立的模型具有較好的逼近能力。
　　 (2)詳述了用于回歸的標(biāo)準(zhǔn)支持向量機(jī)和最小二乘支持向量機(jī)的算法原理，采用一維測(cè)試函數(shù)驗(yàn)證LS-SVM的有效性。將其應(yīng)用于酒精精餾過(guò)程中，建立了LS-SVM軟測(cè)量模型，相比較前兩種方法該方法

3、具有更強(qiáng)的泛化能力。
　　 (3)針對(duì)LS-SVM中的參數(shù)選擇問(wèn)題，利用粒子群優(yōu)化算法選取LS-SVM的模型參數(shù)，而粒子群算法本身存在易陷入局部最優(yōu)值等問(wèn)題，文中采用了增加擾動(dòng)項(xiàng)等改進(jìn)算法。同時(shí)，為了增加模型外推能力，利用k-折交叉驗(yàn)證誤差作為L(zhǎng)S-SVM參數(shù)選擇的目標(biāo)值。此外，針對(duì)LS-SVM缺乏“稀疏性”的缺點(diǎn)，利用統(tǒng)計(jì)方法中的馬氏距離對(duì)樣本進(jìn)行相似度分析，去除樣本集中部分以簡(jiǎn)化模型結(jié)構(gòu)。最后，采用改進(jìn)的PSO-LSSVM方