针对城市固废焚烧(Municipal Solid Waste Incineration, MSWI)过程排放的痕量有机污染物二噁英(Dioxin, DXN)的软测量进行研究。DXN排放浓度检测过程中存在的设备复杂、成本高、干扰因素多、预测精度无法保证等问题，传统的集成学习策略均存在训练难度大、模型复杂度高以及收敛速度慢等问题。本研究基于宽度学习(Broad Learning System, BLS)提出了由特征映射层、潜在特征提取层、特征增强层和增量学习层组成的宽度混合森林回归(Broad Hybrid Forest Regression, BHFR)软测量方法解决面向高特征维数、小样本数据集的软测量问题。本成果的主要创新内容在于：基于宽度学习系统框架构建软测量模型；利用信息全联接、潜在特征提取和互信息度量对BHFR处理模型内部信息，保证了模型内部特征信息的传递最大化和冗余度最小化；采用混合森林组为映射单元实现建模过程的增量学习，通过伪逆策略快速计算输出层权重矩阵，再利用训练误差的收敛程度自适应调整增量学习，实现了高精度的软测量建模。该成果采用北京某MSWI电厂的真实数据验证了该成果设计的DXN浓度软测量模型的有效性，表明该模型可用于实现具有稳定、精准和快速响应等特点的软测量技术。

代表性成果：

[1] 夏恒, 汤健, 崔璨麟, 乔俊飞. 基于宽度混合森林回归的MSWI过程二噁英排放软测量. 自动化学报, 2022, 48(x): 1-23; doi: 10.16383/j.aas.c220012.

[2] Heng Xia, Jian Tang, Wen Yu, Junfei Qiao. Tree Broad Learning System for Small Data Modeling. IEEE Transactions on Neural Networks and Learning Systems, DOI: 10.1109/TNNLS.2022.3216788