1.基于多学习器混合集成的近红外光谱水分含量测量方法，其特征在于，包括以下步骤：步骤1、收集近红外光谱数据和相应的水分含量，获得训练集和验证集：将收集的流化床干燥过程历史测量的近红外光谱和对应的水分含量划分为训练集{X,y}和测试集{Xv,yv}，其中X是训练集的近红外光谱，y是X对应的水分含量，Xv为验证集的近T红外光谱，yv是Xv对应的水分含量，对于每一条光谱用xi＝[xi,1,xi,2,...,xi,M]表示，xi,1，xi,2，...，xi,M分别第i条光谱的第1，2，...，M个光谱变量，T表示转置，M表示光谱的维度；

步骤2、训练基学习器：

从收集的训练集中通过随机采样的方式获得新的训练集D1＝{X′,y′}、D2＝{X″,y″}、D3＝{X″′,y″′}，分别用于训练PLS、SVM、DT基学习器，其中X′、X″、X″′分别是在X中随机采样得到的近红外光谱，y′、y″、y″′分别是X′、X″、X″′在三种基学习器下独立计算得到的对应的水分含量；

步骤3、建立符合物理知识的近红外光谱水分含量预测模型；

步骤31、使用粒子群优化算法确定PLS、SVM、DT基学习器的权重参数，并组合权重，集成三个基学习器，建立初步的水分含量预测模型F；

步骤32、建立相关系数指标coff，用于定性判断组合权重后的变量是否能反映流化床干燥过程变量特性，见公式(8)：其中ω1,ω2,ω3分别表示三个基学习器对应的权重， 是组合权重后的近红外光谱， 是建模用的近红外光谱，x′、x″、x″′分别是X′、X″、X″′中的各条近红外光谱； 是 的标准差， 是 的标准差， 是 和 的协方差，如果coff大于0.8则获得模型F，并进行后续计算；否则，继续按照步骤S31重新优化权重参数；

步骤S33、将验证集数据输入到模型F中，基于KL散度和均方根误差计算损失Loss，获得最终损失Loss被用作模型F性能的评估指标，以Loss最小为最终判断指标，获得最终的水分含量预测模型F’，即为符合物理知识的近红外光谱水分含量预测模型；

步骤4、将在线测量的近红外光谱输入到前3步建立好的模型中，即可得到水分含量的实时预测，即获得预测值

2.根据权利要求1所述的基于多学习器混合集成的近红外光谱水分含量测量方法，其特征在于，步骤1中，用 表示流化床干燥过程历T

史测量的近红外光谱，对于每一条光谱用xi＝[xi,1,xi,2,...,xi,M] 表示，其中N+Nv和M表示测量光谱的数目和维度，x1；x2；...；xi；...； 分别是第1，2，...，N+Nv条光谱，xi,1，xi,2，...，xi,M分别第i条光谱的第1，2，...，M个光谱变量，T表示转置；用表示测量的真实水分含量，即与光谱对应的离线检测参考数

据，其中 分别是第1，2，...，N+Nv条光谱对应的真实水分含量；将Xtol分为训练集和验证集，即Xtol＝[X,Xv]，其中X是训练集的近红外光谱，Xv为验证集的近红外光谱，相应的，将ytol也对应划分，即ytol＝[y,yv]，其中y是X对应的水分含量，yv是Xv对应的水分含量；

{X,y}构成了训练集，{Xv,yv}构成了测试集。

3.根据权利要求1所述的基于多学习器混合集成的近红外光谱水分含量测量方法，其特征在于，步骤2中，PLS基学习器采用D1进行训练，用f1表示，定义为：T

x′＝tp+e    (1)；

f1(x′)＝y′＝tq+r＝x′b+r    (2)；

其中t是潜变量，p是潜变量的载荷阵，e代表真实近红外光谱与重构近红外光谱之间的差异；q是近红外光谱与水分含量的回归系数，b是模型f1的回归系数，r是模型f1的偏执，f1(x′)是模型f1预测的x′对应的水分含量；

SVM基学习器采用D2进行训练，用f2表示，定义为：

T

f2(x″)＝y″＝wgx″+br    (3)；

其中f2(x″)是模型f2预测的x″对应的水分含量；w是超平面的法向量；br是模型的f2偏置；

DT基学习器采用D3进行训练，用f3表示，定义为：

其中f3(x″′)是模型f3预测的x″′对应的水分含量，L是叶子结点的数量，Rj是每个叶子节点j对应的区域；I(g)是指示函数，表示样本是否属于区Rj；ρj是叶子节点j的预测值。

4.根据权利要求1所述的基于多学习器混合集成的近红外光谱水分含量测量方法，其特征在于，步骤31具体步骤如下：(1)使用粒子群优化算法，将每个粒子的位置 看作是每个基学习器的权重参数，其包含3个维度，即d＝3，每个维度值分别代表ω1,ω2,ω3；

粒子i的d维位置更新公式为：

其中k是迭代次数， 表示第k次迭代粒子i的d维位置， 表示第k‑1次迭代粒子i的d维位置， 表示第k‑1次迭代粒子i的d维速度；

粒子i的d维速度更新公式为：

其中 表示第k次迭代粒子i的d维速度，c1和c2是加速度常数，用于调节学习最大步长；r1和r2是两个随机函数，取值范围为[0,1]，以增加收索随机性；u是惯性权重，非负数，调节对解空间的搜索范围；pbest表示粒子i个体经历过的最好位置，即ω1,ω2,ω3各自的最佳值；gbest表示种群所经历过的最好位置，即ω1,ω2,ω3最佳组合值；

(2)将获得的权重ω1,ω2,ω3与PLS、SVM和DT各个基本学习器组合获得集成的预测模型，即初步的水分含量预测模型F，见式(7)：F＝ω1f1+ω2f2+ω3f3 (7)；

其中f1,f2,f3分别表示三个基学习器，ω1,ω2,ω3分别表示三个基学习器对应的权重。

5.根据权利要求1所述的基于多学习器混合集成的近红外光谱水分含量测量方法，其特征在于，步骤33中，损失公式如下：其中 表示KL散度，用做组合权重 与近红

外光谱物理知识契合评价的定量指标，即能否反映水的特征峰；均方根误差RMSE是用于确定模型F的预测精度的确定指标，公式如下：其中 是组合权重后变量的分布， 是近红外光谱变量的分布，yi是第i条光谱对应的真实水分含量值，Fi是第i条光谱对应的模型F的预测值，m是验证集样本数。