1.一种基于JY-KPLS的复杂工业过程在线质量预测方法，其采用两套完全相同的生产设备，各自的内部参数设置不同，分别进行a过程和b过程两个生产过程，其中，a过程是全新的生产过程且数据少，而b过程的生产时间且长数据丰富；假设过程数据矩阵为X∈RN×J，N为样本数，J为过程变量数；假设输出数据矩阵为Y∈RN，包含输出过程变量；质量预测方法具体步骤如下：步骤一、将a过程、b过程的三维输入数据按照批次方向展开成二维矩阵，分别为Xa、Xb；

步骤二、对a过程、b过程输入数据矩阵Xa，Xb的各列进行零均值和单位方差处理；同理，对输出数据矩阵Ya，Yb也进行标准化处理，且输出数据矩阵Ya与Yb中质量变量的数目相同；

步骤三、将输入数据矩阵Xa、Xb经非线性映射Φ：xi∈RN→Φ(xi)∈F投影到高维特征空间F，并在F空间中计算核矩阵Ka、Kb：Ka＝ΦTΦ，Kb＝ΦTΦ；

步骤四、对核矩阵Ka、Kb进行标准化处理；

步骤五、对输入核矩阵K和输出数据矩阵Y运行JY-KPLS算法：此时输入数据矩阵变为Ka、Kb，输出数据矩阵变为Ya，Yb，从输出数据矩阵Y中提取收敛的ui，当i＝1，KWi＝KW，YWi＝YW；

a1、令YWi中的任意一列等于ui；

b1、计算Ka的得分向量，t1i＝KWiu1i，t1i←t1i/||t1i||；

c1、Kb的得分向量t2i＝KWiu2i，t2i←t2i/||t2i||；qi＝YjT[t1；t2]；

d1、计算Y1Wi的得分向量u1i＝Y1Wiqi，u1i←u1i/||u1i||；f1、计算Y2Wi的得分向量u2i＝Y2Wiqi，u2i←u2i/||u2i||；

e1、判断u1i与u2i是否收敛，若收敛则转入步骤六，否则返回a1；

步骤六、计算KWi的负载矩阵：

步骤七、提取出全部主元，计算输入数据矩阵KW的得分矩阵T、输入数据矩阵KW的负载矩阵P、输出数据矩阵YW的得分矩阵U以及输出数据矩阵YW的负载矩阵Q，具体如下：a2、令

b2、令i＝i+1，重复步骤五、六直到提取出A个主元，主元个数A可由交叉验证法确定；

c2、T1＝[t1，...，tA]，T2＝[t1，...，tA]，P＝[p1，...，pA]，U2＝[u1，...，uA]，Q＝[q1...，qA]；

若输出数据矩阵Y为单输出变量，则JY-KPLS模型的表达式如下：y＝K*U2(T2*Knx*U2)-1*T′j*Yj+F，是a过程输出变量和b过程输出变量的联合， 是a过程潜变量和b过程潜变量的联合，即建立质量预测模型所需要得出的最关键变量，可用于运行状态离线质量预测模型的建立；

当引入新的样本knew，其得分矩阵将由下式得出：

其中，knew是新样本xnew的核函数，可由下式计算得到：knew＝Φ(X)Φ(xnew)＝[k(x1，xnew)，...k(xn，xnew)]T，对knew进行均值化可得：

其中，1t＝1/n·[11...1]T∈Rn；

步骤八、在线获得输入数据数据xnew，无法获得的部分输入数据用均值补齐，利用xnew进行在线质量预测获得预测值 并依据预测结果指导生产过程；

步骤九、在当前生产批次结束时，获得最新的输出数据ynew，并计算最新批次的预测误差δn，其中 否则返回步骤八；

步骤十、模型预测精度检验，绘制误差曲线；当过程批次大于2J次时，J为过程输入变量总数，获取除最新批次外所有的预测误差δn-1；样本δn-1服从正态分布，求出当显著性α＝

0.95时的置信区间 当最新批次预测误差δn落在置信区间内时，则进入步骤十一；当δn落在置信区间外时，则进入步骤十二；

步骤十一、剔除b过程中与a过程相似程度最小的数据旧过程与新过程的相似程度用相似性s(xi)表示，用公式(10)与(11)可求得s(xi)，公式如下：其中，||||为欧式距离， 为新过程数据的均值，s(xi)的取值范围为0到1；

步骤十二、将新测得数据添加到a过程原始数据中组成新的Xa，Ya，并返回步骤一，公式如下：