1.基于改进自训练算法的半监督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：采集有标签样本集{XL,YL}，L表示有标签；和无标签样本集{XU}，U表示无标签，并对于无标签样本集中的每个样本xi∈{XU}，计算其与有标签样本集中每个样本xj∈{XL,j＝1,2,...,NL}的相似度，NL表示有标签样本个数，，相似度指标Sim的计算如式(1)所示，并将按降序排列的相似度记为RSim，其中γ∈(0,1)是相似度参数，||xi-xj||，cos＜xi,xj＞分别表示向量xi,xj之间的欧式距离和夹角的余弦。

Simj＝γexp(-||xi-xj||)+(1-γ)cos＜xi,xj＞  (1)步骤2：采用式(2)估计当前的无标签样本，其中 表示第k个与当前无标签样本最相似的标签样本的标签值，w是设置的最相似样本个数。

步骤3：重复Step 1和Step 2，直到无标签样本集的估计值全部得到，得到估计样本集步骤4：建立与 i＝1,2,...,nU对应的软测量模型，并计算该模型对原有数据集{XL,YL}的预测误差，计算方法为式(3)。

步骤5：重复Step4直到所有估计样本对应的预测误差全部计算出，即得到误差向量ERR(i)，i＝1,2,...nU，并将按降序排列的误差向量记为RERR。

步骤6：将预测误差最大的前k个样本作为扩充样本集[Xadd；Yadd]加入到有标签样本集中，构成训练样本集{Xtrain,Ytrain}＝{[XL；Xadd],[YL；Yadd]}，其中，RERR(k)表示为重排列的误差向量RERR的前k个元素，Xadd＝XU[RERR(k)]，步骤7：使用重构后的训练样本，建立最终的软测量模型，当查询样本到来时使用模型进行预测。

2.根据权利要求1所述的基于改进自训练算法的半监督高斯过程回归软测量建模方法，其特征在于，采用自训练算法估计出缺失的主导变量值，且建立了估计标签值筛选准则，提高模型的泛化能力。