随着人工智能技术的兴起和发展,人工神经网络算法被广泛应用于数据挖掘、模式识别、图像检测、人脸识别等领域,并且在建模分析中取得了非常不错的效果。极限学习机(ExtremeLearningMachine)是一种典型的单隐层前馈神经网络,由于极限学习机随机确定初始权值和阈值,只要合理设置隐含层节点数,便能拥有较快的运行速度和较低的计算复杂度,以及良好的泛化性能。极限学习机的隐含层节点数需要根据经验确定,不同的节点数对建模结果影响较大。以及随机确定输入层到隐含层权值和阈值,也会影响模型的稳定性。因此,本文提出了一种新的自组织神经网络SO-CSLN(self-organizing cosine similarity learning network)算法,可以自组织确定隐含层节点数并获得稳定的结构。本文所做的研究内容如下:1.针对极限学习机的隐含层节点数依赖于经验确定,不同的隐含层节点数对结果影响较大的问题。本文基于中心极限定理的研究成果,根据样本自组织确定极限学习机网络隐含层节点数,实验结果证明了该方法可以较为准确的确定最佳隐含层节点数。2.针对极限学习机随机产生输入层与隐含层节点数,造成的极限学习机性能不稳定的问题。基于信息熵和余弦相似定理,优化输入层到隐含层,隐含层到输出层的权值设定,优化极限学习机的网络结构。并在不同的UCI数据集上进行验证其准确性和有效性,将新提出的SO-CSLN算法与传统的极限学习机、BP相比,新提出的SO-CSLN具有回归和分类精度更高,泛化能力更强的优点。3.将本文所提出的SO-CSLN算法应用于石化行业乙烯生产的生产预测模型的构建。实验结果表明了该方法的有效性和实用性。同时可用于指导乙烯生产,提高能源利用率。4.设计并开发了基于B/S架构的化工生产建模与分析原型系统,对化工数据可视化展示,并进行预测、分类建模。