大数据时代,小样本问题仍然存在、不可忽视。伴随信息化技术的发展和应用,石化行业累积了海量数据,然而由于样本数据发生或重复的机率较低、样本数据获取成本过高等原因,可为研究所利用的样本数据较为有限。由于小样本数据集的样本不但数量不充足,而且样本的分布性亦不均匀、不平衡,因而基于小样本的训练学习泛化性能不佳、预测建模精度较低、质量不佳。如何有效地解决小样本的训练学习问题并得到精确而稳健的模型无疑是数据驱动建模中亟待解决的问题。虚拟样本生成技术是小样本问题的有效解决方法,这一方向的研究选题具有重大理论意义和应用价值。小样本数据集的特点是数据量不完整和数据分布不平衡,在其基础之上建立精确而可靠的预测模型主要有两类解决途径:基于灰色模型和机器学习算法直接对小样本数据进行建模以及借助虚拟样本对小样本数据进行建模。在综述总结了文献研究的基础之上,本课题提出了一种基于Monte Carlo方法和粒子群优化算法的新的虚拟样本生成方法,以提高基于小样本数据的模型精度。这种方法在原始小样本数据的基础上,利用Monte Carlo方法和粒子群优化算法生成符合原始小样本分布的虚拟样本,有效地填充样本间的信息间隔,并利用虚拟样本改进极限学习机预测模型的精度。通过两个典型的化工过程数据集(精对苯二甲酸溶剂系统和乙烯生产系统)实例验证了该方法的有效性、实用性和先进性。实验结果表明,极限学习机的建模精度得到显著提升。