1.一种基于特征迁移学习的多工况过程软测量建模方法，其特征在于，所述方法包括以下步骤：(1)获取连续搅拌釜式反应器的多工况过程变量数据集

运行连续搅拌釜式反应器并模拟多工况过程，获取不同工况下的冷却液体积流量数据qc，反应温度T和产物浓度数据Ca，建立多工况下的过程变量数据集，其中，冷却液体积流量数据qc，反应温度T作为数据集的输入变量，产物浓度数据Ca作为待预测变量；

(2)多工况数据的预处理以及数据集划分

由于冷却液体积流量和反应温度的量纲单位不同，首先需要进行数据标准化处理，从而变成无量纲数据集；其次，将其中一个工况划分为拥有较多标签数据量的训练集和测试集，其余工况均划分为少量标签数据量的训练集和测试集；

(3)不同工况下的数据特征分布匹配迁移训练

建立特征分布变换匹配对抗网络，将不同工况的训练数据送入特征分布匹配对抗网络进行训练；

(4)建立域适应极限学习机、极限学习机、支持向量回归(SVR)软测量模型并进行预测评估；

(5)将特征分布匹配好的源域标签数据集与目标域少量标签数据集组合送入三种软测量模型进行训练预测评估；采用均方根误差RMSE和最大绝对误差MAE评价指标对模型进行评估，验证特征迁移学习的预测效果。

2.如权利要求1所述的基于特征迁移学习的多工况过程软测量建模方法，其特征在于，所述步骤(2)的过程为：步骤2.1：对数据进行min-max标准化处理，公式如下：

式中，x'为标准化处理后的数据集；x为所采集的原始数据集；xmin为原始过程变量数据的最小值；xmax为原始过程变量数据的最大值；

步骤2.2：从标准化处理后的不同工况数据集任意选取一个工况作为源域工况数据集，从剩余工况中任意选择一个作为目标域工况数据集；源域工况数据集中训练集全部为标签，源域工况数据集中训练集占总样本数的60％，测试集占总样本数的40％；其余目标域工况数据集中训练集中有标签为10％，无标签为50％，其余目标域工况数据集中训练集占总样本数60％，测试集占样本数的40％。

3.如权利要求1或2所述的基于特征迁移学习的多工况过程软测量建模方法，其特征在于，所述步骤(3)的过程为：步骤3.1：建立特征分布对抗变换匹配网络

源 域 和目 标 域 工 况 数 据形 式 为 和

其中 和ysi分别为源域中第i个样本的输入变

量和输出变量， 和yti分别为目标域中第i个样本的输入变量和输出变量，N为源域样本数，M为目标域样本数，m为样本的特征维数，建立一个单层特征变换神经网络，变换过程如下：式中xsi， 分别为源域第i个样本，对应变换到目标域的第i个样本，wjj和bj分别为神经网络的权重和偏置，m为神经元数，其中特征维数与神经元数一致；

建立一个领域对抗判别神经网络，网络用于判别源域数据经特征变换后与目标域数据之间是否不可区分，判别过程如下：式中，wjk，wkl，wl，bk，bl，b分别为判别网络第一个隐层，第二个隐层和输出层的权重和偏置；σ1，σ2，σ3分别对应层的激活函数relu，relu，sigmoid；z，v分别为第一个隐层的数据特征表示，第二个隐层的数据特征表示；n，K，L分别为样本特征维数，第一个隐层神经元数，第二个隐层神经元数；D(v)为最终判别网络概率输出；

上述特征变换神经网络与领域对抗判别网络，组成特征分布对抗变换匹配网络，循环训练两个网络，使得源域特征经特征变换神经网络变换后，领域对抗判别神经网络无法将其与目标域特征区分开，整个网络使用最小二乘误差作为损失函数进行训练，训练过程损失函数如下：式中，losstransform(Dt,T,Xs)为变换网络损失函数；lossD(Dt,T,Xs,Xt)为领域对抗判别网络损失函数；T为变换网络函数；Dt为领域对抗判别网络函数；为最大期望值；Xs和Xt分别为源域数据集和目标域数据集；P(xs)为源域数据分布；P(xt)为目标域数据分布；

步骤3.2：网络参数初始设置及参数优化训练

变换网络和领域对抗判别网络初始损失值均设置为lossinit＝0.001每次迭代训练过程中，两个网络分别对源域数据和目标域数据各采样n＝3次进行训练调参，所采集的数据量为总数据量的一半；使用自适应矩估计算法分别对变换网络和领域对抗判别网络的参数进行优化。

4.如权利要求1或2所述的基于特征迁移学习的多工况过程软测量建模方法，其特征在于，所述步骤(4)的过程为：建立域适应极限学习机软测量模型，在正则化极限学习机的基础上进行改进，将源域和目标域的训练误差全部引入正则化极限学习机的优化目标函数中，优化目标函数如下：式中， 分别为源域隐含层的输出，源域样本预测误差以及在源

域中第i个样本的输出标签； 分别为目标域隐含层的输出，目标域

样本的预测误差以及在目标域中第j个辅助指导样本的标签； 为源域样本训练的输出权重；NS和NT分别为源域的训练样本数和目标域的训练样本数；CS和CT分别为源域标签训练样本的预测误差惩罚因子，目标域标签训练样本的预测误差惩罚因子；

利用拉格朗日数乘法求解公式如下：

通过拉格朗日乘数法进行求偏导且偏导数为零，最终βS的求解如下：当训练样本数NS小于隐层神经元数L，即NS＞L

式中： αS，αT分别为源域乘子

向量，目标域乘子向量；

当训练样本数NS大于隐层神经元数L，即NS