1.一种滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，包括以下步骤：

1)采集烟草烘丝干尾过程中的工艺变量，构建建模数据集；

2)利用所述建模数据集拟合函数型系数，建立烘丝干尾过程的WNN‑VC模型结构；烘丝干尾过程的WNN‑VC模型结构如下：其中：m为WNN‑VC模型的阶次，yt为t采样时刻的出口烟丝含水率，为t采样时刻的入口烟丝流量， 为t采样时刻的入口烟丝含水率， 为t采样时刻的滚筒旋转频率， 为t采样时刻的滚筒筒温， 为t采样时刻的排潮风门开度，ξt为t采样时刻的高斯白噪声；

为WNN‑VC模型的状态量；φ0(wt‑1)，φy,i(wt‑1)， 和均为关于状态量wt‑1的小波神经网络系数； 为偏移量， 为权系数；

均为小波神经网络的基函数

3)对所述WNN‑VC模型结构进行全局优化，对于优化后的WNN‑VC模型结构，利用最小信息量准则选择最终的烟草烘丝干尾过程WNN‑VC模型阶次m。

2.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，步骤1)中，当入口烟丝流量由正常设定值下降至其40％时，开始以采样周期2秒采集N个工艺变量数据，直至出口烟丝含水率下降至2.5％时，采集过程结束；整个过程采集得到的N个工艺变量数据集为：入口烟丝流量的数据集 入口烟丝含水率的数据集 滚筒旋转频率的数据集 滚筒筒温的数据集 排潮风门开度的数据集和出口烟丝含水率的数据集{y1...yn}。

3.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，小波神经网络的基函数具体结构如下：其中， 为小波基函数的伸缩因子， 为小波基函数的平移因子，||·||表示2范数运算。

4.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，步骤3)中，对所述WNN‑VC模型结构进行全局优化的具体实现过程包括：

1)定 义t时 刻WN N‑V C模型中 的待估 计参数 集θt 为状态向 量 ，即构造自组织状态空间

模型结构如下： 其中： 且

其 中 ，j＝ 0 ,... ,n p，且当 l＝j‑ i≤0时 ，Φt+1为系统噪声，Υt为观测噪声；定义则 为考虑观察噪声Υt后

的烘丝干尾过程WNN‑VC模型的预测输出序列；

2)初始化粒子状态x(0)、噪声项Φt+1和Υt为相互独立的高斯分布，即x(0)～N(μ0,θ0)，Φt+1～N(0,Q)，Υt～N(0,R)；

3)在t时刻，根据WNN‑VC模型和构造的自组织状态空间模型 计算其多步向前预测误差项： 定义优化算法的目标函数为： 其中，n为辨识数据长度，np为预测时域，m为WNN‑VC模型的阶次；

4)将待优化的参数x(t)作为粒子按顺序编码，采用蒙特卡罗粒子滤波算法计算各个体*

针对目标函数V(x)的适应值，选择适应值较低即最优个体保留到下一代，并定义为优秀群体，将其他粒子进行交叉、变异运算，并产生相应的备选群体；比较备选群体中个体的适应*

度，选择最优个体加入到优秀群体中，重复步骤3)，直至得到最优的粒子集x ，并令WNN‑VC*

模型的参数集θt＝x。

5.根据权利要求1所述的滚筒式烘丝机烘丝工序干尾过程的建模方法，其特征在于，最*

小信息量准则AIC＝(n‑m)log(V(x))+4(4m+1)。