1.一种基于正交成分最优选择与最优回归的软测量方法，其特征在于，包括以下步骤：步骤(1)：从生产过程的历史数据库中找出容易测量变量所对应的采样数据组成输入n×m n×1

矩阵X∈R ，能直接或间接反映产品质量的指标所对应的数据组成输出向量y∈R ，其n×m

中，n为训练样本数，m为过程测量变量数，R为实数集，R 表示n×m维的实数矩阵；

值得注意的是，若是质量数据的采样频率低于容易测量数据的采样频率，可将每个质量数据样本进行复制，从而使输入与输出样本个数相等；

步骤(2)：对输入矩阵X按照列实施标准化处理，即每一列数据都减去其各自列的均值后再除以各自列的标准差，得到标准化后的矩阵步骤(3)：计算输出向量y的均值μ与标准差σ，根据公式 实施标准化处理得到

步骤(4)：利用主成分分析算法将 转换成d个相互正交的主成分矩阵 并‑1/2 T

对T做进一步处理T＝TC ，其中C＝TT/(n‑1)，P为PCA模型的投影变换矩阵；

步骤(5)：利用独立成分分析算法将 转换成k个相互正交的独立成分矩阵‑1/2 T

并对S做进一步处理S＝SD ，其中D＝S S/(n‑1)，W为ICA模型的投影变换矩阵；

步骤(6)：利用偏最小二乘回归算法提取出搭建 与 之间联系的r个相互正交的特征‑1/2 T

成分 并对U做进一步处理U＝UE ，其中E＝UU/(n‑1)，Q为PLSR模型输入数据的投影变换矩阵；

n×(d+k+r)

步骤(7)：将三个矩阵T、S以及U合并成一个正交成分矩阵Θ＝[T，S，U]∈R 后，利用基于遗传算法的近邻成分分析算法最优选择与预测输出 有益的正交成分 保留正交成分最优选择的位置集合Ξ，其中M表示最优化选择的正交成分个数；

M×1

步骤(8)：用粒子群优化算法最优求解从 到输出 之间的回归系数向量β∈R ；

1×m

步骤(9)：采集新时刻易测量变量的样本数据x∈R ，对其实施与步骤(3)中输入矩阵X相同的标准化处理得到

步骤(10)：根据公式 和 分别计算得到相应的正交成分向量t、s、和u，并将之合并成一个行向量Φ＝[t，s，u]；

步骤(11)：根据正交成分最优选择的位置集合Ξ，对应地将Φ中相应的正交成分选择出来形成新向量

步骤(12)：利用最优化的回归系数向量β计算最终的质量指标预测值 那么最终的产品质量指标的预测值为

2.根据权利要求1所述的一种基于正交成分最优选择与最优回归的软测量方法，其特征在于，所述步骤(7)中利用基于遗传算法的近邻成分分析算法最优选择正交成分的详细实施过程具体为：

①设置遗传算法参数，包括种群个数N＝6(d+k+r)、二进制编码长度L＝d+k+r、最大迭代次数Imax≥2000、交叉概率c＝0.8、变异概率a＝0.05；

②任意初始化一个N×L维的二进制数据矩阵B，并设置iter＝1；

1×L

③针对矩阵B中各二进制向量bg∈R ，首先根据公式dij＝bg|xi‑xj|计算矩阵 中任意两样本点xi与xj之间的距离dij，其中|xi‑xj|表示将向量xi‑xj中的元素都取绝对值，下标号i，j＝1，2，…，n，g＝1，2，…，N；

④然后根据如下所示公式计算xi选择xj作为其参考数据点的概率pij：⑤最后根据公式fg＝∑i∑jzijpij计算各二进制向量bg对应的目标函数fg，其中，zij＝2

(yi‑yj) ；

⑥找出目标函数向量F＝[f1，f2，…，fN]中最大值对应的二进制向量，记为bmax；

⑦实施遗传算法的选择操作得到更新后的二进制数据矩阵B；

⑧实施遗传算法的交叉操作再次更新二进制数据矩阵B；

⑨实施遗传算法的变异操作再次更新二进制数据矩阵B；

⑩将二进制数据矩阵B中最后一行换成二进制向量bmax；

判断是否满足条件iter＜Imax；若是，则置iter＝iter+1后返回步骤③；若否，则得到二进制向量bmax并执行下一步骤根据二进制向量bmax中元素1所在的位置，得到正交成分最优选择的位置集合Ξ，并对应地将Θ中相应的正交成分选择出来形成新矩阵

3.根据权利要求1所述的一种基于正交成分最优选择与最优回归的软测量方法，其特M×1

征在于，所述步骤(8)中利用使用粒子群优化算法最优求解回归系数向量β∈R 的详细实施过程具体为：

①设置粒子群优化算法的参数，包括最大迭代次数Imax≥2000、加速常数c1＝c2＝2、粒子群总数N＝max{20，5M}、惯性权重δ按照如下所示公式从最大值δmax＝1.2线性递减到δmin＝0.4：

上式中，iter表示当前迭代次数；

M×1

②置iter＝0后，任意初始化N个粒子o1，o2，…，oN，其中粒子oi∈R 的元素皆随机取值于区间[‑10，10]，i＝1，2，…，N；

③根据公式 计算每个粒子oi所对应的适应度值Ji；

④记录当前迭代次数中最小适应度值所对应的粒子为Ω1，将整个迭代历史中取得最小M×1

适应度值的粒子记为Ω2，并依照如下所示公式更新各粒子的运行速度vi∈R ：vi＝δ·vi+c1·rand1·(Ω2‑oi)+c2·rand2·(Ω1‑oi)  (3)上式中，rand1和rand2皆是在区间[0，1]内的任意随机数；

⑤按照公式oi＝oi+vi更新每个粒子的位置，并按照如下所示规则对元素进行修正：上式中oi，j表示粒子oi中的第j个元素，j＝1，2，…，M；

⑥判断是否满足条件iter＜Imax；若是，置iter＝iter+1后返回③；若否，将Ω2作为最优化的回归系数向量β。