1.一种基于ATL‑BMA的非线性工业过程低成本建模方法，其特征在于，包括以下步骤：步骤1：选取N组相似旧工业过程建模数据，并根据实际待建模过程的信息，确定输入变量的稳定运行范围；同时，选择拉丁超立方法进行采样和收集目标非线性工业过程建模初始数据集；其具体步骤如下：步骤1.1：选取N组相似旧工业过程建模数据，记为 根据公式(1)对于第i个旧工业过程进行建模；

式中，X和x是旧工业过程输入数据，y是旧工业过程输出数据，ki表示第i个旧工业过程建模数据量，而n是第i个旧工业过程的输入变量维度，由于新旧工业过程存在一定相似性，因而对于所有工业过程的输入变量维度一致，都为n；

步骤1.2：根据实际待建模过程的信息，确定输入变量的稳定运行范围，并选择离散稀疏的数据分布点进行采样和收集新工业过程建模数据，根据公式(2)获得采集的新工业过程数据Dnew；

式中，l表示新工业过程建模数据量；

步骤2：将新工业过程数据和旧工业过程数据分别划分为两部分，分别为新旧建模过程中的训练数据集和测试数据集，并将新工业过程初始数据集和旧工业过程建模数据分别进行归一化处理；其中，对于新工业过程数据，将其分为新工业过程训练数据集 和新工业过程测试数据集 并利用公式(3)将数据映射到[0,1]区间；

式中，zi表示工业过程输入或输出数据归一化之后的结果，xi是归一化之前的数据，xmax是数据归一化之前的最大值，xmin是最小值；

步骤3：运用基于Cycle GANs的新旧工业过程数据迁移算法，将N组旧工业过程数据转换成带有新工业过程信息的N组旧工业过程数据；其中，旧工业过程训练数据集为其具体步骤如下：步骤3.1：初始化参数：G参数θG，Do参数ωo，F参数θF，Dn参数ωn，ncritic＝5，α＝0.00005、β1＝0、β2＝0.7，m＝5，λ＝0.5，Epoch＝20000；

其中：G表示旧工业过程到新工业过程数据的生成器函数，Do表示旧工业过程对应的判别器，F表示新工业过程到旧工业过程的生成器函数，Dn表示新工业过程对应的判别器,ncritic表示训练一次生成器后训练判别模型次数,α、β1和β2为Adam优化器的参数，m为采样数量，Epoch为模型循环训练次数；

步骤3.2：通过生成器G将从第i个旧工业过程数据 中采集的m个样本转化成m个新工业过程数据，记为Xo→n＝F(Xo)；通过生成器F将从新工业过程数据 中采集的m个样本 转化成m个旧工业过程数据，记为Xn→o＝F(Xn)；

步骤3.3：按照公式(4)和公式(5)得到判别器损失和两个前向循环一致损失；

步骤3.4：通过公式(6)和公式(7)更新判别器Do参数ωo和Dn参数ωn；

步骤3.5：重复步骤3.2～步骤3.4ncritic次；

步骤3.6：重复步骤3.2；

步骤3.7：通过公式(8)和公式(9)计算两个前向循环一致损失；

步骤3.8：通过公式(10)和公式(11)计算两个生成器损失；

步骤3.9：通过公式(12)和公式(13)更新生成器G参数θG和F参数θF；

步骤3.10：重复步骤3.6～步骤3.9Epoch次数，使用训练好的F将新工业过程数据转换成第j个旧工业过程数据，记为步骤3.11：使用每一组旧工业过程数据重复步骤3.1～步骤3.9，将新工业过程数据迁移到旧工业过程域内，由新工业过程数据通过对抗迁移学习得到N组带有新工业过程信息的旧工业过程数据，记为步骤4：将步骤3中带有新工业过程信息的旧工业过程数据与相应旧工业过程数据混合后得到N组混合数据集；

步骤5：将混合数据集分为混合训练集 和混合测试数据集 同时，结合N个旧工业过程训练数据集 和新工业过程预测模型y＝f(x)，利用N组混合数据集分别训练支持向量机SVM模型，得到N个带有新工业过程信息的旧工业过程基础模型，记为f1(·)‑fN(·)；其中， ktrain是训练数据集大小， ktest是测试数据集大小，任意第i个旧工业

过程， ni是第i个旧工业过程训练集大小；其具体步

骤如下：

步骤5.1：初始化参数；

步骤5.2：通过基于Cycle GANs的新旧工业过程数据迁移算法将新工业过程数据转换成N组携带新工业过程信息的旧工业过程数据 根据公式(14)混合Dn→o和Do得到N组基础模型训练数据DBasic；

步骤5.3：利用DBasic训练N个SVM，得到N个带有新工业过程信息的旧工业过程基础模型，记为f1(·)‑fN(·)；

步骤6：通过模型融合公式(15)将新工业过程训练集输入变量映射至相似旧工业过程输入变量运行区间内，转化后的新工业过程训练集输入数据记为 通过贝叶斯模型平均算法得到这N个预测模型的融合输出

步骤7：将旧工业过程SVM模型融合输出 和新工业过程输入数据 作为多模型迁移策略的输入数据，利用最小二乘支持向量机算法训练新工业过程模型，获得新工业过程模型输出 完成新工业过程建模；

步骤8：模型验证，分别根据公式(16)和公式(17)利用均方根误差和确定系数来评估SVM模型的有效性，若步骤7所得模型在测试数据集上的预测精度满足实验设定阈值，则建模过程完成；否则，重复步骤3至步骤7，将新的N组含有新工业过程信息的旧工业过程数据样本加入到混合样本中，继续训练新工业过程模型，直至满足实验停止条件；

式中，N是测试数据的数量，yi是预测模型的输出， 是预测输出的均值，Yi是新工业过程的真实输出。