周廷俨，李晋宏

(北方工业大学信息学院，北京 100144)

0 引言

随着我国铝工业的大力发展，电解铝和氧化铝工业也随之快速发展，铝土矿资源匮乏已经成为制约我国铝工业发展的瓶颈，提高铝土矿的利用率有利于缓解资源紧缺的现状，是保障铝工业可持续发展的有效途径。要提高铝土矿的利用率就要充分提取铝土矿中的氧化铝，提前预测氧化铝的溶出率能够及时地对原料配比和溶出环境做一定的调整，从而最大限度地提取氧化铝。我国铝土矿质量较差，以一水硬铝石型铝土矿为主，原矿浆制备在氧化铝生产过程中具有重要作用。能否制备出可以最大限度提取氧化铝的矿浆就需要提前预测原矿浆中参与化学反应的物料的细度，物质之间的配比，最佳溶出环境等，目前人工智能技术已经广泛应用在各个领域，在预测方面也取得了较好的成果。

李勇刚等[1-3]采用神经网络和分布式SVM建立苛性比值的软测量模型，结构复杂、训练时间长、泛化能力有待提高；张艳存等[4]结合加权LS-SVM的思想和主元分析法（PCA）的特征提取能力，提出基于PCAWLSSVM的苛性比值和溶出率软测量模型，结构复杂，预测精度也不太理想。

极限学习机（ELM）是一种新的单隐含层前馈神经网络（Single-hidden Layer Feedforward Neural network，SLFN），该算法能够随机产生输入层与隐含层之间的连接权值和隐含层神经元的阈值，只需要确定隐含层神经元的个数及激活函数便可以得到全局最优解，再加上该算法具有学习速度快、泛化性能好等优点，本文将利用极限学习机对氧化铝溶出率进行预测。……