| [1] | 罗嘉，陈世和，张曦，等. 电站锅炉典型热工参数软测量研究 [J]. 中国电力，2016，49(6)：48-52. LUO J，CHEN S H，ZHANG X，et al. Research on soft measurement technology of typical thermal parameters of utility boilers [J]. Electric Power，2016，49(6)：48-52. |
| [2] | 罗嘉，吴乐. 电站锅炉主要热工过程参数软测量技术研究进展 [J]. 热力发电，2015，44(11)：1-9＋13. LUO J，WU L. Research status of soft measurement technology of typical thermal parameters for utility boilers [J]. Thermal Power Generation，2015，44(11)：1-9＋13. |
| [3] | 顾燕萍，赵文杰，吴占松. 采用最优MVs决策模型的电站锅炉燃烧优化 [J]. 中国电机工程学报，2012，32(2)：39-44. GU Y P，ZHAO W J，WU Z S. An optimal MVs decision-model for boiler combustion optimization [J]. Proceedings of the Chinese Society of Electrical Engineering，2012，32(2)：39-44. |
| [4] | 周慎学，沈奇，夏克晁，等. 基于在线支持向量机的锅炉燃烧系统动态建模 [J]. 自动化仪表，2017，38(10)：30-35. ZHOU S X, SHEN Q, XIA K C，et al. Dynamic modeling of boiler combustion system based on online support vector machine [J]. Process Automation Instrumentation，2017，38(10)：30-35. |
| [5] | 张晓宇，付林，沈炯，等. 基于在线支持向量机的锅炉动态建模方法研究 [J]. 中国电机工程学报，2017，37(增刊1)：123-128. |
| [6] | 李佳东，宋志强，吴宇. 基于多元线性回归分析的大型电站锅炉飞灰含碳量在线软测量模型的应用研究 [J]. 工业控制计算机，2016，29(12)：30-31＋34. |
| [7] | VAPNIK V N. The nature of statistical learning theory [M]. New York：Springer—Verlag，1995. |
| [8] | SUYKENS JAK，VANDEWALLE J. Least squares support vector machine classifiers [J]. Neural Processing Letters，1999，9(3)：293-300. |
| [9] | SUYKENS JAK，BRABANTER D J，LUKAS L，et al. Weighted least squares support vector machines：robustness and sparse approximation [J]. Neurocomputing，2002，48(1-4)：85-105. |
| [10] | DE KRUIF B J，DE VRIES T J A. Pruning error minimization in least squares support vector machines [J]. IEEE Transactions on Neural Networks，2003，14(3)：696-702. |
| [11] | 赵永平，孙健国. 关于稀疏最小二乘支持向量回归机的改进剪枝算法 [J]. 系统工程理论与实践，2009，29(6)：166-171. |
| [12] | 李丽娟. 最小二乘支持向量机建模及预测控制算法研究 [D]. 杭州：浙江大学，2008. |
| [13] | 王定成，姜斌. 在线稀疏最小二乘支持向量机回归的研究 [J]. 控制与决策，2007，22(2)：132-137. |
| [14] | 陈正，张小轩，李慧敏，等. 基于PSO的最小二乘支持向量机稀疏化算法 [J]. 武汉大学学报(工学版)，2016，49(6)：955-960. CHEN Z，ZHANG X X，LI H M，et al. Optimal sparseness approach for least square support vector machine based on PSO [J]. Engineering Journal of Wuhan University，2016，49(6)：955-960. |
| [15] | LUO J，CHEN S，WU L，et al. An optimal sparseness approach for least square support vector machine [C]// 2014 26th Chinese Control and Decision Conference (CCDC)，Changsha，China，2014. Changsha：Northeastern University and IEEE, 2014：3622-3627. |
| [16] | 马跃峰，梁循，周小平. 一种基于全局代表点的快速最小二乘支持向量机稀疏化算法 [J]. 自动化学报，2017，43(1)：132-141. |
| [17] | 楼锐，黄冬兰，刘宇穗，等. 一种基于LSSVM的飞灰含碳量软测量方法及装置 [J]. 南方能源建设，2017，4(4)：42-48. |