工业企业需求的增加以及控制理论和计算机技术的研究促使了软测量技术的发展,作为解决现代复杂工业过程中较难甚至无法在线测量变量的实时预测的有效手段,软测量已成为现代工业控制领域的研究热点之一。根据最小二乘支持向量机(LSSVM)能够较好的解决非线性、高维数、时变性和大样本数据拟合等方面问题的优势,论文将深入研究LSSVM在软测量建模中的应用。论文研究的内容主要有如下几个方面。针对LSSVM建模过程中的参数优化问题,分别分析了正则化参数和核参数对模型的影响,在传统网格搜索法的基础上,研究了二步网格搜索法,提高了寻优的效率。针对LSSVM抗噪弱、鲁棒性差等缺点,论文在Suykens加权方法的基础上,研究自适应的权值函数方法,改变原来线性的误差权值因子函数,充分考虑误差较大点对模型的贡献,取得很好的效果。针对LSSVM缺失稀疏性问题,论文提出采用遗传算法对模型进行稀疏化,对初始模型核函数项采用二进制编码的方式,以预测样本误差平方和的倒数作为适应度函数,采用基于最优个体保存策略的遗传算法对二进制串进行寻优,将求得的最优个体解码得到新样本再次建模稀疏,直到样本标准差的偏差率超过10%。仿真结果表明,采用遗传算法进行稀疏化的LSSVM模型,支持向量能稀疏70%左右,在保证预测精度的同时,大大提升了模型的效率。