工业大数据建模中除了要求建模的有效性之外，对建模的实时性要求是难以回避的。目前，传统的机器学习模型和学习算法很难或根本无法应用在工业问题的解决方案中，从而导致工业人工智能技术受到很大程度上的限制。针对这样棘手的技术难题，我们在2017年首次提出了深度随机配置网络（Deep Stochastic Configuration Networks）的概念，目的是为处理复杂工业大数据分析提供有效工具。DeepSCN在结构上与桥式多层感知机一致，但它是通过递增式学习构造的随机神经网络模型，其中的随机权值和阈值必须在约束条件下选取，从而从理论上保证了所导致的随机学习模型具有万有逼近性质（学习误差为零）。本报告介绍相关的基本理论结果和相关的学习算法，并用可视化的方法展示了随机配置网络与其它随机学习模型的本质区别和优越性。比较流行的深度学习算法，随机配置算法在学习速度方面具有绝对优势，对进一步发展和实践工业人工智能技术具有重要意义。
