支持向量机具有全局最优、结构简单、推广能力强等优点,是机器学习和模式识别领域的研究热点之一。近年提出的各种动态支持向量机方法,一定程度上解决了新信息对模型的影响,但是由于其模型结构的本质静态特性,仍不能很好处理工况实时变化的问题。如何建立本质动态的支持向量机模型并将其应用到系统的建模和控制中,具有十分重要的理论研究和应用价值。针对动态建模问题,将动态递归思想引入支持向量机结构,建立基于递归策略的动态支持向量机模型(Dynamic Recurrent-SVR),给出具体的数学问题描述和相应的解决算法。实际工业数据的应用可以看出其模型的平滑度和泛化能力要远远优于静态结构的支持向量机模型。在聚合物微观质量——分子量分布的建模与控制问题中,由于分子量分布不仅是时间的函数,同时也是链长的函数,因此,仅靠动态支持向量机难以完成建模任务,为此提出一种动态支持向量机与B样条网络相结合的复合模型结构和相对简单的优化算法,其中动态支持向量机部分体现模型的时间特性,B样条网络部分体现模型的空间特性。利用该复合模型,可以对分布函数在时间和空间上进行有效分离,把三维空间分布函数的跟踪问题转化为时间域上的状态控制问题,大大降低了控制难度。将常规的状态反馈控制策略进行推广,完成对给定分子量分布的跟踪控制,并在建模不精确和严重干扰情况下,引入闭环积分环节改善控制效果。