孙顺远, 周 乾

(1.江南大学 物联网工程学院,江苏 无锡 214122; 2.轻工过程先进控制教育部重点实验室,江苏 无锡 214122)

0 引 言

由于工业现场高温高压、强酸强碱、强干扰等恶劣环境，很难直接采用硬件传感器监测关键质量变量。通过软测量技术，构建辅助变量和主导变量之间的数学模型，能够对关键质量变量进行实时准确地预测，解决生产过程中质量变量测量滞后、在线分析仪表价格昂贵的问题。因此对于软测量的研究[1～4]至关重要。目前，常用的建模方法有支持向量机(support vector machines,SVM)[5]、高斯过程回归(Gaussian process regression,GPR)[6]、极限学习机(extreme learning machine,ELM)[7,8]等。在软测量建模算法中，ELM具有结构简单、学习速度快、参数少等优点，并克服传统神经网络多次迭代的缺陷，收敛速度快，常应用在基于数据驱动的软测量建模中。ELM虽能取得较好的建模效果，然而其建模过程中很难精确找到最优参数，导致学习能力不足，影响到ELM的预测精度及稳定性。因此，需要对ELM的参数进行寻优，以提高ELM建模的预测精度。混合蛙跳算法(shuffled frog leaping algorithm, SFLA)[9,10]利用种群内青蛙的数次迭代，找到局部最优解，再进行混合跳跃，进行全局信息的交换，如此循环多次，找到一个全局最优解。SFLA能够跳出局部最优的困境，增强全局搜索能力，是一种被广泛应用的智能优化算法。

本文运用SFLA对极限学习机进行优化，寻找最优的激活函数速率参数和位移参数以及岭回归中的乘法因子。SFLA能加快对全局最优解的搜索，加快网络收敛速度，从而克服ELM预测不稳定、参数难确定的问题。……