随着现代工业技术手段的高速发展,很多工业过程对影响产品生产的一些质量变量的测量要求也越来越多。然而实际生产过程中存在着许多无法通过传感器等硬件测量设备及时有效测量的关键变量,而这些关键变量的测量对工业生产过程是否平稳安全、高质低耗的影响很大。软测量技术作为解决复杂过程中难以直接测量的主导变量在线估计问题的一种有效手段,在提高工业生产的效率和产品质量上起到了重要的作用,一直都是过程控制领域的热门研究内容。本文针对软测量建模研究中的特征提取和多模型建模两个问题,对现有特征提取技术进行改进,并将其与聚类算法和集成学习算法相结合,提高了软测量模型的估计精度,降低了建模过程中的复杂度,并将软测量技术用于对某厂双酚A生产过程中的一些质量变量进行估计,具体研究内容如下:(1)针对等距映射算法中的邻域图构造问题,提出一种自适应确定邻域方法。该方法利用欧氏距离计算样本相似系数,基于各样本的局部密度和平均密度构造密度指数函数,根据密度指数函数自适应调整样本的近邻数构造合理的邻域图。将该方法应用于某厂双酚A生产装置脱水塔单元的软测量建模中,在等距映射算法中使用自适应确定邻域方法构造邻域图,并采用高斯回归过程建立模型。仿真结果表明模型的估计精度和泛化能力均得到了提高。(2)针对流形学习中的等距映射算法鲁棒性差、拓扑稳定性不好等缺点,通过常数偏移的方法构造核矩阵,形成核等距映射法,提高了等距映射法的学习效率和拓扑稳定性。运用一种将K近邻与-?半径结合的方法构造邻域图,基于核等距映射法对数据进行特征提取,并建立高斯过程回归软测量模型。仿真结果表明相比于其他特征提取的软测量建模方法,估计精度和学习效率均得到了一定的提高。(3)针对化工生产过程工况复杂多变,单一的软测量模型难以满足系统对估计精度的要求,提出了一种基于改进的扩张搜索聚类算法的多流形软测量建模的方法。该算法采用流形距离来代替欧氏距离,自适应地确定邻域半径,并引入局部密度用于确定聚类中心,对聚类后得到的各个子流形分别采用核等距映射法进行特征提取,建立基于高斯过程回归的子模型,仿真结果表明该方法的聚类效果和模型的估计精度都得到了提高。(4)为了提高对复杂化工过程建模的模型精度和泛化能力,提出了一种基于核主元分析法和改进随机梯度boosting算法的多模型软测量建模方法。针对传统的随机梯度boosting算法的不足,该算法采用高斯过程回归作为基学习器,利用核主元分析法对数据进行特征提取,根据每次迭代学习中弱学习机的反馈,自适应调整学习率,引入权重因子作为排序指标对欠学习的训练数据进行优先选取,从而改善了随机梯度boosting算法的学习效率,提高了模型的估计精度和泛化能力,仿真结果表明该方法不仅学习效率更高,且预测精度也得到了提高。