随着互联网+时代的来临,不论在互联网行业、快消品行业、金融行业,还是传统的化工行业、制造行业,其数据量都正在以爆炸式的速度增长。大数据的流通、存储、分析、可视化等任务对于各企业都是重大的挑战。机器学习技术作为一种对数据中隐含模式及规律进行分析和挖掘的重要手段,也日益凸显出它的威力和重要性。直至今日,机器学习的研究和应用已被广泛地应用于图像识别,语音分析,自然语言处理及各类商用数据以及工业数据的挖掘中。在机器学习的研究中,分类和回归是两大基础。在机器学习的研究进程中,出现了如广义线性模型(GLM)、人工神经网络(ANN)、支持向量机(SVM)、超限学习机(ELM)等通用算法。如何在提高分类器的准确率或者回归器的拟合精度的同时提高算法的泛化能力,已经成为现在机器学习技术发展的重要课题。在此背景下,本文主要研究并完成了以下工作:(1)针对ELM算法中由于输入层-隐层的权重随机初始化操作而会导致的隐层输出矩阵H不满秩从而导致部分隐层节点不起作用的问题,本文提出了相关性映射超限学习机。利用输入特征与预测标签之间的相关性系数,将特征与标签之间的线性相关信息经过非线性函数映射后,用于确定输入层-隐层的权重矩阵。数据集测试结果表明该算法不仅可以提高超限学习机在分类及回归任务中的预测准确率和精度,同时可以更加高效地利用隐层节点,提高模型的泛化能力。(2)针对由于ELM网络中隐层激活函数单一化而导致其难以学习复杂数据,同时易产生冗余隐层节点的问题,本文提出了基于粒子群算法的混合域超限学习机算法。该算法将隐层激活函数的组合(包含7种候选的激活函数)定义为一个粒子,随机产生大量粒子成为初始群体,按照一定进化规则迭代寻找隐层节点对应最优个体,即最优的激活函数组合。数据集测试结果表明该算法有效地提高了隐层节点的利用率和模型最终的泛化能力。(3)针对石油化工生产过程中设备管道流动腐蚀的冲刷腐蚀现象,结合实际问题,开展了如下研究工作:1.利用实验设备,按照固定变量法,获得10号碳钢在不同实验条件下的冲蚀速率。2.利用CFD计算流体力学仿真软件,对90度弯管在不同条件下的冲蚀速率(包括平均速率和最大速率)进行仿真测试。对以上2种冲刷腐蚀现象,基于收集的历史数据,利用多种机器学习模型进行建模测试,发现本文提出的2种超限学习机改进算法均能更好地对冲蚀数据进行拟合和预测,从而为石油化工行业中腐蚀建模预测问题提供了一种可行的方法。本文从理论分析到实际应用都取得了一定的进展,为超限学习机在复杂工业问题中的应用提供了一些新的思路,具有一定的理论意义和实践作用。