1.一種混合蛙跳反饋極限學習機帶鋼厚度預測方法，其特征在于，其步驟為：

1)分析采集的鋼板數據信號：對鋼板數據信號進行分析；

2)用互信息法計算帶鋼出口厚度與影響因素的互信息值，選擇對帶鋼厚度影響大的因素，完成特征提取；

3)在極限學習機中引入卡爾曼濾波，將網絡的實際輸出與期望輸出的差值反饋給輸入層，形成一種反饋極限學習機算法；同時運用混合蛙跳算法對反饋極限學習機算法的隨機參數進行優化，構建一種混合蛙跳反饋極限學習機預測模型；

具體步驟為：

3.1)初始化一個蛙群：青蛙數量為F，青蛙種群分為m個群組，每一個群組的數量n，蛙群的全局進化次數，子群組局部進化次數L_C，L_C為隨機選取的數值，以及蛙群全局尋優中最優青蛙個體變化不明顯的最近全局尋優次數閾值K；初始化反饋極限學習機的隱含層節點數H；

3.2)隨機初始化蛙群中每只青蛙的信息：蛙群中青蛙個體表示為P_i；采用混合蛙跳算法對反饋極限學習機的隨機輸入權值和隱含層偏置值進行優化，

P_i＝[ω₁₁,ω₁₂,...,ω_H1,ω₂₁,ω₂₂,...,ω_2H,...,ω_d1,ω_d2,...,ω_dH,b₁,b₂,...,b_H]?(3)

其中：ω和b分別為極限學習機的隨機參數，且值都為[-1,1]之間的隨機數，d為隱藏層層數；

3.3)利用訓練集和校驗集按FELM訓練流程對每個FELM進行訓練，保存得到FELM模型、訓練誤差和校驗集得出的均方根誤差RMSE和隱含層輸出矩陣的二范式條件數COND，將RMSE和COND作為混合蛙跳算法每只青蛙的適應度值；

算法訓練中選取均方根誤差RMSE作為適應度函數，由校驗集計算得出；均方根誤差的計算公式如式(4)所示：

其中：n_v表示校驗集的樣本數量；在算法中RMSE的值越小，ELM模型的回歸預測精度越好；x_j為第j個樣本輸入，ω_i為第i個輸入層和隱藏層的輸入連接權值，β_i是第i個隱藏層和輸出層的輸出連接權值，b_i是第i個隱藏層的偏置，g(ω_i·x_j+b_i)為隱藏層第i個節點的輸出；

t_j表示帶鋼厚度期望輸出向量；

混合蛙跳算法的適應度函數如公式(5)所示：

更新整個蛙群中全局最優青蛙個體P_t和子群組中最差青蛙個體P_worst：P_t即為最優ELM模型參數，當子群組進化一次后，就對群組中每個青蛙個體重新按適應度值降序排列，子群組繼續迭代尋優，直到所有子群組進化結束，將所有青蛙個體重新按適應度值降序排列，選取全局最優青蛙個體P_t，若沒有結束全局尋優，則蛙群繼續進化，從而找出蛙群最終全局最優青蛙個體P_t；

3.4)對蛙群中每只青蛙個體按適應度值降序排列，并記錄全局最優青蛙個體P_t，將整個蛙群分為m個群組；

3.5)對每個群組進行子群組劃分，并找出每個子群組中局部最優青蛙個體P_best和最差青蛙個體P_worst；然后每個子群組進行局部尋優搜索，對P_worst改進；

3.6)重復執行步驟3.5)，當每個群組中子群組局部尋優進化次數達到L_C，整個蛙群完成一次全局尋優；

3.7)當整個蛙群完成一次全局尋優進化之后，將每個群組混合，重復執行步驟3.4)、3.5)、3.6)，直到達到蛙群全局進化次數；

3.8)選取蛙群全局最優青蛙個體P_t，將其包含的FELM參數信息構建出最優的SFLAF-FELM預測模型；

3.9)將實驗中測試數據集輸入SFLAF-FELM預測模型中，進行預測；

4)將步驟3)所得的混合蛙跳反饋極限學習機用于帶鋼出口厚度的預測中，并與傳統極限學習機以及混合蛙跳極限學習機進行結果對比。