為了提高模型的預測效果，更好的適應實際過程的動態(tài)特性，針對甲醇合成過程的特點，確定了PSO-DNN網絡結構。以核主元分析（KPCA）方法為前件，結合改進的Elman神經網絡，構成動態(tài)神經網絡（DNN）模型，并針對此模型的不足，引入粒子群算法（PSO）進行優(yōu)化。仿真結果表明：基于 PSO-DNN 神經網絡的粗甲醇轉化率預測模型不僅具備動態(tài)適應能力，而且具有預測精度高、收斂速度快、泛化能力強等特點，能夠實現粗甲醇轉化率的實時穩(wěn)定預測。