岳文琦

（甘肃兰晶光电科技有限公司）

对化工过程中难以直接测量的重要变量进行实时监控，一直是企业提高生产效率和控制产品质量的重要策略。 传统的硬件传感器，例如气相色谱仪，不仅价格昂贵，维修保养不易，而且存在数据采集时间滞后等问题。 软测量技术的提出［1～4］，给出了一种通过数据驱动建模来估计重要变量的新思路［5～7］，即通过对工业过程中易测辅变量和难检主变量进行建模，得到输入与输出间的数学关系，来估算难以直接测量的主变量。

随着神经网络的出现和发展， 基于神经网络的软测量建模方法在工业应用中取得了很好的应用效果［6～11］，尤其是具有动态记忆能力和时间延迟特性的递归神经网络， 有效实现了动态非线性映射，进一步提升了软测量建模的预测精度［12，13］。 回声 状 态 网 络（Echo State Network，ESN）［14，15］的 提出， 使得蓄水池计算的概念成为热门研究方向，这种计算方法简单有效，只需通过输入输出数据和网络的内部状态来训练网络输出权值，不仅避免了因神经网络参数求导而造成的计算量增大的问题，也容易实现在线学习。 ESN 的最大特点是网络隐层由一种状态蓄水池（State Reservoir，SR）单元组成，SR 内部则由稀疏连接的内部神经元组成， 神经元的数量可根据实际情况择优选择。SR 具有的回声状态特性（Echo State Property，ESP）［15］是保证ESN 稳定性的充分条件。ESP 表征了有效的ESN 动态特性，本质上说，蓄水池内部状态必须呈现出阻尼特性，且仅取决于网络的输入信号，在受初始条件影响后，应随着时间逐渐消失，以保证网络输出的稳定性。……