神经网络(Neural Network)是一种黑箱模型,在不需要知道黑箱里的结构的前提下,对网络里节点之间的关系进行调整,就能够取得数据处理的效果,因而被广泛的应用于各个领域建模之中。极限学习机在2004年被提出,由于其极大地提升了神经网络的训练速率,并且泛化性能也较好,所以近些年来对于极限学习机的研究也倍受研究大员们关注。如果直接利用极限学习机对较高维数据集进行建模,由于数据维数较高以及存在离散数据点,将导致模型复杂以及泛化精度较差等问题,所以本文提出了一种基于互信息与粒子群算法的极限学习机。通过实验仿真以及实际化工领域的应用,验证了所提方法的有效性和可行性。其中本文主要的研究内容如下：1.首先是对神经网络、信息熵和粒子群算法的发展进行了概述,然后提出了一种利用信息熵来对极限学习机的输入进行优化的方法。通过互信息来筛选输入变量,去除了无关以及弱相关变量,然后利用熵权法来对输入变量的权重进行优化,避免了离散数据点对于网络训练精度的影响。同时利用UCI数据集对该方法进行了验证,证明了该方法的可行性。2.提出了一种利用序贯二次规划法与Tent混沌映射的优化粒子群算法。利用序贯二次规划法在局部拥有高效的寻优性能,以及Tent混沌映射有着较好的遍历性,来提升PSO的寻优性能该算法不仅在局部或者是全局都拥有着较好的寻优能力。在群体发生早熟现象时,利用Tent映射来避免局部最优的问题。最后利用常见的Benchmark函数对算法的可行性进行了验证。3.利用改进的粒子群算法来对极限学习机进行优化,由于极限学习机输入层到隐含层的权值是由随机得到的,采用粒子群算法来对输入权值进行寻优,提高了训练和泛化精度。并将以上方法应用于PTA化工过程建模,不仅降低了数据维度,而且提升了建模精度,从而验证了方法的可行性,对实际的化工过程建模有着一定的指导性。