1.以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：包括以下步骤：

步骤1：确定辅助变量并进行数据处理：通过对工业工艺流程的分析，初步选取与难测变量相关的易测变量作为软测量模型的辅助变量并采集辅助变量与难测参量的时间序列；

然后采用3σ准则对采集到的时间序列的异常值进行提出，并且在训练前对数据进行归一化处理；

步骤2：构建半监督模型，同时确定模型参数：利用步骤1中选取的输入变量，构建半监督预测模型，确定初始参数，初始参数包括学习率μ、正则化系数λ、平衡系数ɑ；半监督自编码器模型将自编码和神经网络模型结合，其中自编码和神经网络共用输入层和隐藏层，在输出层分为自编码输出层和神经网络输出层，利用一个平衡系数将自编码的重构误差和神经网络的预测误差结合，共同构成了该模型的损失函数；

半监督自编码器为自动编码器和单输出神经网络的结合，自动编码器部分用于学习无标签样本信息，神经网络部分用于有标签样本学习；其中自动编码器与单输出神经网络共用输入层和隐藏层；令D＝{L，U}，其中D表示建模使用的数据集，L＝{X，Y}＝{(x1，y1)，(x2，y2)，…(x|L|，y|L|)}表示有标签样本数据集，|L|表示有标签样本的数目，U＝{X}＝{x1,x2,x3,…x|U|}表示无标签样本数据集，其中，每个样本时间序列都包括60个采样点：xi＝{xi(1),xi(2),xi(3)…xi(60)}，xi是第i个变量的时间序列，|U|表示无标签样本的数目；半监督自编码器模型前向传播同理于自编码器模型和神经网络模型的前向传播过程：h＝f(W1X+b) (4)

式中，X为半监督自动编码器的输入，W1是输入层到隐层的权重，b是输入层到隐层之间的偏置，Wnn是隐层到标签层的权重，bnn是隐层到标签的偏置，Wae是隐层到重构输出层的权重，bae是隐层到重构输出层的偏置，h是半监督自动编码器隐层的输出， 是神经网络部分的预测输出， 是自动编码器的输入重构，f(·)是激活函数，此处采用ReLU函数作为激活函数，其表达式如式：f(x)＝max(0,x) (7)

半监督自编码器的损失函数定义如下：

式中，NL是有标签样本的数目，NU是无标签样本的数目，E是半监督自编码器的整体误差，Eae是半监督自编码器的重构误差，Enn是神经网络的预测误差，α是权重系数， 是第i个无标签样本的重构， 是第i个有标枪样本的预测值，λ是正则化系数；

步骤3：可变加权AE分层预训练：分层预训练的目的在于为后面构建的堆叠自编码器提供较好的初始权重，以更好突出与目标输出更相关的过程变量，通过利用标记数据，计算输入变量与目标变量的相关系数，以赋予相应程度的权重值；

步骤4：深度网络模型的构建：此处利用步骤2中的半监督模型，将其各自编码输出层去掉，编码器隐层堆叠形成深层网络；同时最小化步骤3中的加权损失函数，初始化各层权重值；

步骤5：反向微调权重：将输出层添加到模型顶端总体微调权重，通过BP算法实现误差的重新调整分配已更新各层权重；

步骤6：利用模型实时在线预测：利用前面构建的模型对实时采集的变量进行实时在线预测。

2.根据权利要求1所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤3中，构建综合自编码器输出层和神经网络输出层的半监督模型，提取相应变量一段时间序列，并在损失函数上考虑两个输出层损失函数的平衡系数，同时对其加以各层权重占比，预训练自编码模型初始化其参数。

3.根据权利要求1所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤4中，构建深度训练模型，在顶端加以输出层，反向训练更新各层模型参数。

4.根据权利要求1所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤5中对模型进行在线预测。

5.根据权利要求1所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤1中，通过分析孰料中游离氧化钙产生的机理和相关影响因素，选择与游离氧化钙密切相关的10个过程变量作为游离钙软测量模型的辅助变量。

6.根据权利要求5所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤1中，选取的10个建模辅助变量为：喂料量1反馈、分解炉喂煤量反馈、高温风机转速反馈、窑尾温度、分解炉出口温度、窑电流反馈、二室篦下压力反馈、二次风温反馈、窑头负压反馈、窑头煤反馈。

7.根据权利要求1所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤6中，针对标签数据有限以及非线性的问题将自编码器与神经网络结合，同时使用有限的有标签数据和大量的无标签数据，最终建立工业过程的非线性软测量模型，预测时即利用新采集的过程数据，预处理之后输入到半监督自编码模型中，输出层最终输出相应的预测值。

8.根据权利要求1所述的以质量目标为导向半监督学习的水泥游离钙软测量系统，其特征在于：在步骤5中，包括以下内容：在预训练结束以后，将输出层添加到VE‑SAE的顶端来微调权重，将预训练的权重用于初始化每个隐层的权重；通过应用反向传播算法，得到改进的权重；根据步骤3计算的损失函数，通过最小化逐层反向传播，在反向传播的过程中，以实现误差的重新调整分配，对分配的误差重新对权重和偏置进行修正，以使模型误差减少，进而达到学习优化的目的；而这个反向传播过程是依次进行的，每次都会修正模型的权重和偏执参数以及每一层AE的可变权重值，当误差减小到一定程度，或者达到规定的迭代次数，迭代过程停止；得到整个模型的所有权重和偏置参数的导数公式，然后通过梯度下降法，不断迭代更新模型参数，得到误差符合预期标准或者达到规定的迭代次数。