针对传统人工检测方法在测量模拟移动床色谱分离过程时存在精度低、实时性差等问题,采用软测量技术来完成对模拟移动床色谱分离关键过程的预测。因此本文提出采用基于模糊神经网络的软测量方法对移动床色谱分离过程的实时控制具有重要意义的。本文具体的工作主要有以下几个方面:首先基于模拟移动床色谱分离过程和自适应神经模糊推理系统的应用特点,采用自适应神经模糊推理系统建立了软测量模型;采用基于网格划分、减法聚类和模糊C均值聚类算法对自适应神经模糊推理系统输入数据空间进行划分;采用Gradient算法、Kalman算法、Kaczmarz算法和Pseudoinv算法对其后件参数进行优化;利用数据空间划分方法和后件参数优化算法相结合的混合算法来优化自适应神经模糊推理系统;建立基于ANFIS的软测量模型对模拟移动床色谱分离过程进行预测。其次采用粒子群优化算法优化自适应模糊推理系统参数,对粒子群的不同惯性权重调整方法进行分组研究,比较其优化后的自适应模糊推理系统的性能;分别建立基于随机惯性权重、迭代次数函数的惯性权重和反馈信息函数的惯性权重的粒子群算法优化自适应模糊推理系统软测量模型;提出了一种软测量建模方法,该方法采用基于改进的自适应种群进化粒子群算法(New Adaptive Population evolution Particle Swarm Optimization,NAPEPSO)和最小二乘(LMS)方法相结合的混合学习算法来优化自适应模糊推理系统的模型参数,通过仿真实验验证所提软测量模型的有效性。最后针对前两种模型规则数过多的问题,对动态模糊神经网络的不同参数调整方法进行研究;分别建立基于卡尔曼滤波算法(KF)、线性最小二乘法(LLS)和扩展卡尔曼滤波法(EKF)的动态模糊神经网络软测量模型;采用滑动窗算法实现软测量模型的自适应校正;建立了基于动态模糊神经网络的模拟移动床色谱分离过程软测量模型并进行仿真研究。总之,通过仿真结果表明三种模糊神经网络软测量模型都能取得良好的预测效果,能够提高模拟移动床色谱分离过程中经济技术指标预测精度和鲁棒性,可以满足模拟移动床色谱分离过程的实时控制要求。