1.一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，其特征在于，包括：获取每次反应完成后反应釜的历史工艺参数集合及对应的产品效果；

对每个历史工艺参数集合中的参数进行排列组合得到多个子空间，将每个历史工艺参数集合的所有子空间输入监督神经网络，得到每个历史工艺参数集合中的最优子空间；

获取每个历史工艺参数集合中参数的信息熵，根据每个历史工艺参数集合的最优子空间中参数的信息熵和该参数集合的所有非最优子空间中参数的信息熵计算对应最优子空间的噪声符合系数；

根据每个最优子空间的噪声符合系数计算每个最优子空间的关注权重，将所述最优子空间的关注权重作为该最优子空间内每个参数的关注权重，根据每个历史工艺参数集合中各个参数在所有最优子空间中的关注权重之和，得到每个参数的综合关注权重；

利用每个参数的综合关注权重对每次反应完成后反应釜的历史工艺参数进行修正，将修正后的工艺参数作为训练历史工艺参数集合输入到神经网络中，将每次反应完成后反应釜的历史工艺参数对应的产品效果作为神经网络的输出对神经网络进行训练，利用训练好的神经网络辨识反应釜工艺参数；

计算最优子空间的噪声符合系数的表达式为：

；

其中， 表示第 个标准模型对应的最优子空间的噪声符合系数， 表示第 个标准模型对应的最优子空间中参数的信息熵， 表示第 个标准模型对应的所有非最优子空间中参数的信息熵；

计算每个最优子空间的关注权重的方法为：

根据所有最优子空间的噪声符合系数以及拟合程度获取所有子空间的划分特征值之和，根据划分特征值之和计算每个最优子空间的关注权重，计算划分特征值之和的表达式为：；

计算所述最优子空间的关注权重的表达式为：

；

其中， 表示第 个标准模型对应的最优子空间的关注权重， 表示第 个标准模型对应的最优子空间的噪声符合系数， 表示第 个标准模型对应的最优子空间的拟合程度，A为标准模型的个数，为所有最优子空间的划分特征值之和。

2.根据权利要求1所述的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，其特征在于，以所述历史工艺参数集合中不同数量的参数分别构建多个子空间的方法为：所述历史工艺参数集合中参数的数量为K，设定子空间中参数的最大数量为B，对历史工艺参数集合中的参数进行排列组合，将排列组合后的参数投影到子空间的基向量中，得到的子空间个数为 。

3.根据权利要求1所述的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，其特征在于，所述监督神经网络使用构建的损失函数，所述损失函数通过每个标准模型对子空间的拟合结果进行构建，表达式为：；

其中， 表示第 个标准模型的模型系数， 表示基向量个数为 的子空间， 表示原历史工艺参数集合中参数投影到基向量个数为 的子空间后的参数， 表示第个标准模型对基向量个数为 的子空间的拟合结果， 表示基向量个数为 的子空间的转置矩阵，表示单位矩阵， 表示第i个历史工艺参数集合对应的产品效果，N表示共有N个历史工艺参数集合，K为历史工艺参数集合中参数的数量，B为子空间中参数的最大数量，表示第i个历史工艺参数集合中的子空间个数， 表示利用第 个标准模型进行拟合的神经网络。

4.根据权利要求3所述的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，其特征在于，所述监督神经网络中还包括：将监督神经网络的损失函数值最小时，该损失函数中第一损失项的结果作为每个最优子空间的拟合程度，所述第一损失项的表达式为：；

其中， 表示第 个标准模型的模型系数， 表示原历史工艺参数集合中参数投影到基向量个数为 的子空间后的参数， 表示第 个标准模型对基向量个数为 的子空间的拟合结果， 表示第i个历史工艺参数集合对应的产品效果，N表示共有N个历史工艺参数集合。

5.根据权利要求1所述的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，其特征在于，获取每个参数的关注权重的方法为：将每个最优子空间的关注权重作为该最优子空间中每个参数的关注权重，计算各个历史工艺参数集合的每个参数在最优子空间中的关注权重之和，得到历史工艺参数集合中每个参数的综合关注权重。

6.根据权利要求1所述的一种再生聚酯均化增粘反应釜工艺过程的参数辨识方法，其特征在于，对神经网络进行训练的方法为：根据原历史工艺参数集合中的每个参数及其对应的综合关注权重构建训练历史工艺参数集合 ，其中， 为第i个历史工艺参数集合中第一个参数的综合关注权重； 为第i个历史工艺参数集合中的第一个参数； 为第i个历史工艺参数集合中第二个参数的综合关注权重； 为第i个历史工艺参数集合中的第二个参数； 为第i个历史工艺参数集合中第K个参数的综合关注权重； 为第i个历史工艺参数集合中的第K个参数；

将训练历史工艺参数集合作为神经网络的输入，将原历史工艺参数集合的产品效果作为神经网络的输出对神经网络进行训练，根据训练好的FC神经网络辨识反应釜工艺参数；

训练好的FC神经网络的损失函数为：

；

其中，为训练后神经网络输出的第i个历史工艺参数集合的产品效果， 表示原第i个历史工艺参数集合对应的原产品效果，N表示历史工艺参数集合的个数。