神经网络的理论基础是最小化经验误差，这种基于传统的渐进理论的学习方法，在训练样本点无穷多时是适用的。但是实际的情况是训练样本点数通常是有限的，有时甚至很少。因此在实际的工程应用中，支持向量机(SVM)作为一种新型的小样本建模分析工具是更适合的。基于结构风险最小化原则的SVM，一经提出便一起了很多研究者的关注，并取得了较多的研究成果，但是其目前的应用领域主要集中于模式识别领域，如语音识别、图像分析和文本识别等方面。而工业应用比较缺乏，因此本文的一个目的是探讨SVM在工业应用中的可能性及有效性，本文选择的主要应用领域为推断测量，用于水质COD值的监测和连续重整装置中的参数检测。 在解决各个特定的工程问题时，本文又针对各自的特点，提出了相应的改进算法以便于应用。具体的内容包括如下几个方面： 1．通过阅读大量的中英文文献，对统计学习理论、支持向量机的理论发展、基本概念和研究方向做了比较系统完整的阐述。同时对推断测量这一应用领域进行了简单的介绍。 2．首先分析了水质检测的背景和目前使用常用技术，在分析了常用技术的缺陷之后，提出了利用SVM进行水质检测的方法。该方法是一种基于最小二乘支持向量机的在线自适应加权算法，这种算法可以自适应地选取和未知水样最相近的标准样本进行建模，同时在建模中又利用加权的方法分别考虑了各个标准样本重要性。实例分析表明，采用这种算法建立的模型具有比用传统技术(如PLS，MLR，BP网络等)更好的预估效果，同时预估值与标准分析值之间也显示了良好的相关性。 3．将SVM运用于连续重整装置中的参数预估问题，在简要介绍及说明了工程应用中存在的问题之后，如训练数据是小样本，具有实时性的要求，而且在线应用具有模型偏移的问题。为了消除模型偏移以及为应对训练样本较少的情况，将移动窗口法运用于推断测量中，同时采用了最小二乘支持向量机递推估计算法用于减少计算复杂度，以增加算法的实时性。另外，在上述递推算法的基础上，引入了训练样本加权的思想以区分各个训练样本对于建模的重要性，进一步提高和增强预估模型的总体性能。实例分析表明，采用这种算法建立的模型具有比传统技术(如BP网络和RBF网络等)更好的预估效果，同时新算法的实时性与标准SVM和标准LSSVM算法相比也有一定改进。最后实例分析也表明，采用移动窗口方法可以在一定程度上扼制在线推断测量模型的模型漂移问题。 4．为弥补与克服推断测量的常用技术之一的神经网络中存在的隐节点难以11摘要确定和训练速度慢问题，提出了一种可用于多层前向神经网络模型的非迭代快速训练算法。该算法将非线性拟合问题转化为一个近似等价的线性最小二乘问题，并运用非迭代的最小二乘方法确定最佳网络权值，因而可以达到快速训练的目的。同时，为确保训练而成的模型具有最少的隐节点数，本算法根据拟合精度的要求，逐步增加前向网络的隐节点数，直至达到拟合要求。即使当拟合精度要求过高时，该算法也可以根据拟合精度的改善状况来确定是否继续增加隐节点，这样的设计可以避免隐节点数的过分增加。与常规BP网络所采用的基于梯度下降的训练学习算法相比，经由本文算法训练而成的神经网络模型无论在拟合精度、训练速度、泛化能力以及隐节点数等方面都要优于传统的BP网络。