1.一种基于快速成分迁移学习的发酵过程软测量建模方法，其特征在于，包括以下步骤：

1)青霉素数据的获取及预处理：青霉素数据通过Benchmark仿真平台Pensim模拟仿真得到，为加快模型收敛速度，减小不同量纲数据间的影响，对原始数据进行归一化处理；在多工况过程软测量模型建模阶段，其中一个工况为有辅助变量即特征变量、关键变量的源域工况，另一个工况为仅有特征变量没有关键变量的目标域工况；

2)建立快速成分迁移学习的模型：基于迁移成分分析TCA方法，减小源域和目标域间的边缘概率分布距离，从而完成特征迁移；在通过TCA对齐后的源域与目标域空间中，基于映射后的源域数据建立正则化极限学习机模型，快速预测目标域工况的青霉素浓度；

3)模型表现评估：

引入评价指标均方根误差RMSE和平均绝对误差MAE。

2.如权利要求1所述的基于快速成分迁移学习的发酵过程软测量建模方法，其特征在于，所述步骤1)的过程为：

步骤1.1)获取青霉素数据：青霉素浓度为过程的待预测关键变量，六个相关性变量作为辅助变量，分别为二氧化碳浓度、通气速率、底物进给温度、搅拌器功率、培养皿容积、PH值；

步骤1.2)数据归一化处理：为加快模型收敛速度，减少模型训练时间，同时减小不同量纲数据间的影响，对数据归一化处理，公式如下：

式中，x为归一化处理后的数据；a为所采集的原始数据；amin为原始数据中的最小值；

amax为原始数据中的最大值；

步骤1.3)确定源域和目标域工况数据：从归一化处理后的不同工况数据集中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；源域数据同时有特征变量和关键变量，记作{XS,YS}，目标域数据只有特征变量，记作{XT}。

3.如权利要求1所述的基于快速成分迁移学习的发酵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)源域、目标域的特征迁移：假设存在一个特征映射ψ，使得映射后源域和目标域的分布P(ψ(XS))＝P(ψ(XT))；采用最大均值差异MMD度量映射后源域与目标域间的距离，表示为：其中，m为源域样本的个数，n为目标域样本的个数，上式表示在再生核希尔伯特空间度量两个分布的距离，H表示再生核希尔伯特空间；

采用核函数将MMD距离的求解过程转化为核函数的学习过程，D(XS,XT)变换成下面的形式：

tr(KL)‑λtr(K)

其中，tr(.)为求矩阵的逆，λ为引进的参数，K为利用核函数映射得到的核矩阵，L为MMD算法引进的矩阵，其每个元素的计算方式为：其中，DS表示源域，DT表示目标域，xi和xj表示源域或目标域中任意两个样本的特征变量；接着，将求解tr(KL)‑λtr(K)的问题转化为如下优化问题：T

s.t.WKMKW＝Im

其中，M为中心矩阵，μ为引进的参数，Im为m维单位矩阵，W为比K低维度的矩阵，它的解为‑1

(KLK+μI) KMK的前p个特征值；利用TCA算法，将源域特征变量XS和目标域特征变量XT映射到新的空间，得到新的源域数据特征XSnew和目标域数据特征XTnew，矩阵X的行数为样本数，列为总的特征数；

步骤2.2)基于正则化极限学习机RELM建立软测量模型：经过上述的TCA方法操作后，XSnew和XTnew在空间中的分布相似；以{XSnew,YS}建立正则化极限学习机软测量模型，YS表示源域的关键变量，它的优化目标函数为：s.t.j h(xSi)β＝ySi‑ξi,i＝1,2,...,m其中，xSi为源域样本的特征变量，ySi为源域样本真实的关键变量，h(·)是求解隐藏层矩阵的函数，β是输出权重，ξi表示第i个样本的预测误差，γ为模型的正则化系数；将约束项代入目标损失函数公式，转化为：采用穆尔‑彭罗斯广义逆Moore‑Penrose方法，得到模型的输出矩阵为H为RELM模型的隐藏层矩阵；因此，对于无标签的工况XTnew，通过正则化极限学习机得到的标签值为：

4.如权利要求1所述的基于快速成分迁移学习的发酵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)均方根误差RMSE评价：均方根误差定义如下：

式中：r为测试集样本总量；yt表示输入样本xt的真实标签值； 表示输入样本xt的预测值；RMSE越小，说明模型的预测性能越好；

步骤3.2)平均绝对误差MAE值评价：平均绝对误差可表示为：

MAE越小，模型的预测误差越小，越能够说明该方法的优越性。