温度的测量和控制在工业生产中有广泛的应用,尤其在石油、化工、电力、冶金等工业领域中,对温度的测量和监控是非常重要的一个环节,温度参数是工业控制中的一项重要的指标。产品质量控制是所有控制的核心,为实现良好的质量控制,必须及时获得产品质量或与产品质量密切相关的重要过程变量的信息。但在许多实际生产过程中,对系统机理和数学模型知之甚少的工程技术人员,通过观察和经验总结仍然对系统进行良好的手动控制。因此,采用机器学习的方法来模拟人类的这种行为是一种有效的技术方法。统计学习理论作为机器学习一个分支,由于其优异的特性及应用前景受到越来越多的关注。支持向量机(SVM)衍生于统计学习理论,能够在最小化训练误差和模型复杂度之间找到最佳平衡点,是一种比较经典的机器学习方法。由于秉承了统计学习理论的主要思想(如结构风险最小化、VC维),支持向量机可以在有限样本下得到全局最优,从而避免局部最优问题。与采用线性或非线性规划方法的其它支持向量机算法相比,LS-SVM具有降低计算复杂度的优点。因此,最小二乘支持向量机在许多分类或回归估计问题中取得了很好的应用效果。本文中作者采用最小二乘支持向量机对系统进行有效辨识,建立它的预测模型,实现对温度的预测。从实验结果来看,在本温度系统中,最小二乘支持向量机的预测模型取得了预期效果。