我国作为一个农业大国,农业是国家经济的命脉,关系着国家的安定与社会的发展。农药是确保农业产量的重要因素,农药的产量以及质量对我国农业甚至国家的经济发展都有重大的影响。为了提高氧乐果等农药产品的质量,对传统的农药生产过程进行改善是很有必要的。本文以氧乐果合成过程的温度为研究对象,为其建立合成过程的较好模型,有利于提高产品质量与生产水平,进而创造明显的经济效益。本文分析了氧乐果合成的工艺流程,并对氧乐果合成过程的特性与对象模型进行了分析,阐明了氧乐果合成过程具有非线性、大滞后、时变和扰动复杂的特点,并分析了氧乐果合成过程中的影响因素。它是典型的间歇过程,常规的建模方法很难满足其建模需要。然而,神经网络、模糊逻辑和进化算法的应用发展,为这样复杂对象的建模提供了新的途径。本文的氧乐果合成过程建模方法是把粒子群算法和支持向量回归机相结合的。标准粒子群算法存在着一些缺陷,在这把整个种群分成两部分,两部分按照三角函数的惯性策略分别进行进化,并利用测试函数仿真,结果表明该算法收敛速度快,搜索精度高。然后通过对机器学习与统计学习理论的介绍,进而引出支持向量机的原理和方法,介绍了最优超平面与核函数,并且着重介绍了支持向量回归机的数学模型。对氧乐果合成过程反应特点进行分析,把改进后的粒子群算法和支持向量回归机集合起来,对温度对象进行辨识,建立了氧乐果合成过程PSO-SVR模型,并将它和静态BP模型对比,仿真结果表明该模型结合了PSO与SVR的优点,更好地反应了系统的动态特性,模型精度高,推广能力较强。