由脱硅和分解工序返回的氧化铝返料是烧结氧化铝生产生料浆配料过程的主要原料之一。生料浆质量好坏严重影响氧化铝产量和质量,为通过优化配料保证合格的生料浆质量,配料原料的成分已知是前提。氧化铝返料成分波动大、检测严重滞后且仅有历史检测信息可得,为此开展氧化铝返料成分的时间序列预测是非常必要的。　　 论文针对氧化铝返料成分时序存在的复杂非线性和不规律性,采用G-P算法和小数据量的Wolf算法分别计算返料成分时序的关联维数和最大李雅普诺夫指数,由非整的关联维数和正的最大李雅普诺夫指数识别了硅渣成分时间序列的混沌特性。　　 为使LS-SVM能准确预测该混沌时间序列,对LS-SVM模型进行了两方面改进:一是考虑到LS-SVM模型对于取值范围较大且噪声较大的样本预测效果不太理想,而在实际应用中,又往往更关注预测的相对误差,对现有LS-SVM模型泛化函数进行了改进,得到一种新型的LS-SVM预测模型。二是针对标准PSO算法存在的早熟现象和仅凭借经验或试算来选取LS-SVM预测模型参数,存在效率低的缺陷,首先通过引入平均粒矩和适应度函数得到了改进PSO算法,该算法有效克服了标准PSO算法的早熟;接着提出了基于改进PSO和Powell的混合算法和基于汉默斯里序列抽样模拟的并行Powell混合优化算法,在兼顾计算效率和全局寻优的同时迭代搜索出最优的目标函数值,从而找到最优参数取值对,实现对LS-SVIM参数的自动优选。　　 在以上研究的基础上,基于粗糙集约简理论对硅渣多组份离散时间序列进行了广义重构,获得精简、有效的重构相空间,并以重构相空间变量作为模型的输入量,采用提出的新型LS-SVM模型进行成分预测仿真,生产数据的仿真结果验证了模型的有效性。