1.基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法，其特征在于：包括以下步骤：(1)数据的获取和整合

通过连续搅拌釜式反应器仿真程序模拟出两种具有不同工况特性的数据，将反应物浓度作为预测的标签，选取反应器温度T和冷却流量qc作为辅助变量，两个工况分别作为源域和目标域进行训练；源域选取对应工况中的辅助变量及标签作为数据样本；目标域选取对应工况中的辅助变量作为数据样本，将源域及目标域数据进行整合，获得宽度迁移学习网络中的输入特征数据，以对目标域对应工况中的标签数据进行预测；

(2)模型建立

模型基于宽度学习网络，首先用宽度学习网络中的特征节点对数据进行特征提取，由于网络参数的随机性，特征提取存在偏差，故引入稀疏自编码器对输入权重进行调整，然后通过增强层进行特征的再次提取，将宽度学习网络中的特征节点和增强节点共同提取的特征作为隐藏层的最终特征，然后将流行正则化加入到损失函数中，通过学习源域有标签数据和目标域无标签数据之间的流形特征来提高迁移效果，使得模型能够很好的适应于无标签的目标域数据预测上；

(3)模型预测

利用目标域对应工况中的标签数据与模型预测出来的浓度进行对比，计算模型RMSE损失值，作为模型的评价标准；

所述步骤(2)中，模型基于流行正则化框架，通过宽度迁移学习网络进行工况之间的迁移来预测目标工况的反应物浓度，具体过程为：

2.1、采用宽度学习网络中的特征节点对数据进行特征提取，宽度学习网络只有一层隐藏层，宽度网络由特征节点和增强节点组成，特征提取公式如下：Zi＝φi(XWei+βei)

n

Z＝[Z1,Z2...Zn]

n

其中Zi表示第i组特征层学习到的特征，Z表示所有特征组提取到的总的特征，φi表示第i组特征层的激活函数，Wei和βei是第i组特征层随机生成的权重和偏置，由于其提取的特征具有随机性，因此使用稀疏自编码器对权重Wei进行调整，得到最终权重We'i，重新对X进行特征提取，得到新的特征Zi；

2.2、增强节点通过设置随机正交矩阵进行再次特征提取，提取公式如下：其中Hj表示每个增强节点提取的特征，ζj、 分别表示增强层的激活函数、随机生成的权重和偏置；

2.3、将宽度学习网络中的特征节点和增强节点共同提取的特征作为隐藏层的最终特征，公式如下：n m

G＝[Z|H]

N×(nl+m)

其中，G表示隐藏层提取到的最终特征，G∈R ，N表示样本数量，n表示每个特征组m的节点个数，l表示特征组的组数，m表示增强节点的个数，H 为整个增强层提取到的总特m征，H＝[H1,...,Hm]；

损失函数表示如下：

其中，w表示隐藏层到输出层之间的权重，γ表示模型的正则化系数，Λe由经验公式所得：

2.4、将流行正则化加入到损失函数中，通过学习源域有标签数据和目标域无标签数据之间的流形特征来提高迁移效果，流形正则化的优化函数表示为：其中 代表样本xi、xj的预测值，wij表示两个样本之间的权重，X表示样本数据，y＝Gw表示网络的输出，D是对角矩阵，对角线上元素组成为：L表示图拉普拉斯矩阵，可由下面公式计算所得：L＝D‑A

其中 表示图连接矩阵，由wij组成，最终矩阵L表示式为：所以流形正则化的表达式为：

T T

M(X)＝tr(wGLGw)

将流形正则化框架作为最小损失函数加入到目标函数中，最终整个网络的最小化损失函数表达式为：当隐藏层的神经元个数小于输入数据量的大小时，输出权重w为：T T ‑1 T

w＝(γI+G ΛeG+λGLG) (G Λey)否则，隐藏层的神经元个数大于输入数据量的大小时，输出权重w为：T T T ‑1

w＝G(γI+ΛeGG+λLGG) (Λey)。

2.根据权利要求1所述的基于宽度迁移学习的搅拌釜反应物浓度预测模型构建方法，其特征在于所述步骤(1)的过程为：

1.1、数据的获取：通过连续搅拌釜式反应器仿真程序模拟出两种具有不同工况特性的数据，将反应物浓度作为预测的标签，选取反应器温度T和冷却流量qc作为辅助变量，两个工况分别作为源域和目标域进行训练；源域选取对应工况中的辅助变量及标签作为数据样本；目标域选取对应工况中的辅助变量作为数据样本；

1.2、源域与目标域辅助变量数据整合：将数据Xs作为源域数据，ys表示源域的输出标签，即反应物浓度，数据Xt作为目标域数据，令X＝[Xs,Xt]，X表示源域与目标域整合后的数据，对整合后的数据进行标准化处理，以消除源域数据与目标域数据之间量纲上的差异，具体计算公式如下：其中Xnew表示进行标准化处理以后的输入数据，X表示未经过处理的原始数据，μ表示原始数据的均值，σ表示原始数据的方差；

1.3、源域据与目标标签数据整合：由源域标签ys和同目标域大小为Nt×1的零矩阵组成网络输出的总标签y，如下式所示：其中Ns表示源域数据的数量，Nt表示目标域数据的数量。