1.2  研究现状 在20世纪70年代，随着推断控制的概念的提出，对软测量技术的理论研究拉开了序幕。随着时代的进步，如今的技术正呈井喷式快速发展，软测量技术的内涵及应用都得到了极大的拓展，同时，它也带来了新的技术研究手段和社会经济效益。 19世纪末期，对于神经网络的研究开始于 W.James 的有关人脑结构功能的著作。之后，神经网络的发展经历了漫长的过程，现今，它已经进入一个全新的发展阶段。近十几年以来，有近三十多种针对不同问题开发出的神经网络模型。 采用神经网络构建软测量模型在工业中的应用越来越广泛，模型算法、结构的变化和组合能够适应不同的工业需求。在软测量建模的过程中，模型的结构十分复杂多变，各类优化算法也在不断更新改进，国内外学者对此进行了大量的分析研究。 M.sperandio[3]等在活性污泥处理过程中采用软测量模型，输入电位变化和溶氧浓度，来预测硝化速率及其最终的产量，效果良好。 程建、宋淑群等[4]构建了一种新型的软测量模型，在煤制甲醇的变换合成的过程中，对CO 变换率进行建模预测。将最小二乘法与 Pi-Sigma 神经网络相融合，极大的降低了仿真时间，提高了精度。在实际工业流程中，合理调节 CO变换率能有效提高甲醇产量以及纯度。 郭晓燕、郭民等[5]在对污泥体积指数建模时，使用基于 BP 神经网络的软测量模型，并且提出了利用改进粒子群优化 BP 网络权值的方法。实验结果表明，模型的精度得到了大幅提高，同时 BP 网络也不易陷入局部最小。 王树东、葛珉昊等[6]提出用递阶遗传算法优化 RBF 网络，将基于该网络的软测量模型应用于水质测量。这种方法能够有效的找到 RBF 最优解，从而使模型达到最佳的状态。 在实际工业应用中，基于神经网络的软测量建模方法还在不断的开发和和改进中。
1.3  研究目的及主要内容 在工业过程中，针对部分成分变量由于实际操作的局限难以在线检测问题，可以利用其余易于测量的变量，通过建模，实现对被测变量的估计，即软测量技术。同时，由于神经网络适于非线性、不确定、未知系统建模，可应用于软测量建模。本文的主要内容是分析软测量的基本原理，神经网络的结构和特点，建立基于神经网络软测量模型，利用 Matlab 中的神经网络工具箱来进行仿真研究。采用青霉素发酵过程作为工业过程背景，实验数据通过青霉素发酵 Pensim 仿真平台获得，将数据导入 Matlab 程序，建立基于神经网络的软测量模型，对仿真过程及结果进行研究，得出结论。 基于神经网络的软测量建模方法研究(2):http://www.youerw.com/zidonghua/lunwen_29322.html