1.基于模糊曲线分析的时间差高斯过程回归软测量建模方法，其特征在于，该方法步骤为：步骤1：收集过程的输入输出变量数据组成历史训练数据库，获取N组样本{X(t),y(t)},t＝1,2,…,N,对数据进行预处理，根据过程机理及经验来确定各辅助变量中存在的最大的时滞参数Tmax；

步骤2：对于每个原变量xi,i∈{1,2,…,m}，分别扩展为含时滞的输入变量集{xi(t-λ),λ＝0,1,…,Tmax}。扩展方式为：步骤3：根据模糊曲线分析(FCA)方法确定含时滞输入变量集中每一个变量的重要性程度，确定最优的时滞变量xi(t-di)，确定过程为：输入变量集{xi,i＝1,2,…,m}及输出变量y，对于输入变量xi,t时刻采集的样本值记作xi(t),对于(xi(t),y(t))，输入变量xi的模糊隶属度函数定义为：对于每一个xi，{Φit,y(t)}提供了一条模糊规则,描述为{if xi isΦit(xi)，then y is y(t)}，Φit为变量xi关于第t个数据点的输入变量模糊隶属度函数，式(2)选取的是高斯模糊隶属度函数，b取变量xi值域范围的20％；故N个训练样本对应每个变量都有N条模糊规则，在模糊隶属度函数中，每个点对应的{xi(t),y(t)}处，有Φit＝1；

对于时延过程，通过引入时滞信息，原变量xi变为Tmax+1维，可表示为xi(t-λ),λ＝

0,1,…,Tmax，λ为引入的变量时延值；通过式(3)对扩展后的每个新变量质心去模糊化，可得到第i个变量时延值为λ条件下的模糊曲线Ci,λ；如式(4)所示，di为使模糊曲线Ci,λ覆盖范围最大的λ，Ci,λ(λ)max和Ci,λ(λ)min为模糊曲线上点值域的最大值和最小值；

若得到的Ci,λ(λ)范围越接近y的范围，那么输入变量xi(t-λ)的重要程度越高，对Ci,λ(λ)覆盖范围进行排序，可以得到各自的重要性,由此得到最优时滞变量xi(t-di)；

步骤 4：利用上一步分析得到的xi(t-di) 构成时滞输入集 Xd(t) ＝T

[x1(t-d1),x2(t-d2),…,xm(t-dm)]，重建的软测量训练样本集为{Xd(t),y(t)}，如果有新的输入样本X(t+1)到来，则基于历史数据库用同样参数进行重组，并转到步骤5，否则，等待新数据到来；

步骤5：对重组训练集、重组的新数据进行j次时间差分处理(j的大小可根据过程的主导变量获得周期和性质确定)，差分方式为：ΔXd，j(t)＝Xd(t)-Xd(t-j) (5)

Δyj(t)＝y(t)-y(t-j)

然后建立差分输入输出样本之间的高斯过程模型，高斯过程回归算法为：

m×N N

给定训练样本集X∈R 和y∈R ，m为输入变量维数，N为样本数目，输入和输出之间的关系满足：y＝f(x)+ε (6)

其中f是未知的函数形式，ε是均值为0，方差为 的高斯噪声；对于一个新输入样本，相应的概率预测输出也满足高斯分布，联合高斯分布为K(X,X)为训练样本间的n维协方差方阵，k(x*,X)是测试样本与训练样本的协方差向量，k(x*,x*)为测试样本的自协方差值，GPR可以选择不同的协方差函数描述样本分布特征，本文选择高斯协方差函数：高斯过程的超参数 一般最简单的方法就是通过极大似然估计得到：

首先将参数Θgp设置为一个合理范围内的随机值，然后用共轭梯度法得到优化的参数，获得最优参数后，对于测试样本x*，可以用式(7)来估计GPR模型的输出值；

步骤6：当t+1时刻的新输入数据到来时，且样本经过时滞信息重组后，采用TDGPR方法基于yj(t+1-j)得到的预测值yj,pred(t+1)计算方式为：ΔXd，j(t+1)＝Xd(t+1)-Xd(t+1-j)

Δyj,pred(t+1)＝fGPR(ΔXd，j(t+1)) (10)yj,pred(t+1)＝yj(t+1-j)+Δyj,pred(t+1)yj,pred(t+1)为本发明方法的预测值。

2.根据权利要求1所述的基于模糊曲线分析的时间差高斯过程回归的软测量建模方法，其特征在于：以一种直观有效的方式，同时在计算复杂低的情况下，该方法可以从过程历史数据库中提取变量的时滞信息用于软测量建模数据重构，校正了输入输出间实际的因果对应关系，同时将在线软测量模型更新的可能性最小化，不存在更新模型的问题，采用GPR对输入输出数据的漂移进行追踪，能够很好地提取过程时滞信息，相对于传统的不考虑时滞的在线模型，能够得到更加精确的预测结果。