本研究提出了一种基于深度卷积随机配置网络的熔镁炉工作条件识别方法，解决了模型的泛化能力和可解释性不足的问题。通过生成高斯微分卷积核和强化学习修剪，显著提升了识别精度和可解释性。实验结果表明，该方法优于其他深度学习技术。

本研究提出了一种新颖的深度递归随机配置网络（DeepRSCN）框架，旨在解决动态系统建模中的非线性问题。实验结果表明，DeepRSCN在建模效率、学习能力和泛化性能方面优于单层网络，展现出广泛的应用潜力。