1.一种工业过程关键性指标软测量建模方法，其特征在于，包括以下步骤：S1.采集工业过程中需要测量的关键指标数据作为建立软测量模型的基础；

S2.使用t分布随机邻近嵌入(t‑SNE)方法对采集到的变量进行特征提取，以降低原始数据的输入维度，最终得到软测量模型最终的输入变量；

S3.构建多层软测量集成模型，第一层建立基于误差校正的基模型，将S2中处理好的数据分别输入到循环神经网络(GRU)，轻量梯度提升(LightGBM)，K邻近算法(KNN)进行训练，并且使用极限梯度提升(XGBoost)进行误差校正；

XGBoost模型误差校正步骤如下：

S7.1训练初始模型：首先，使用原始数据训练一个初始的XGBoost模型；

S7.2计算残差：使用GRU,LightGBM和KNN模型分别对训练数据进行预测，得到预测结果，然后，分别计算每个样本的残差，即真实值与预测值之间的差异；

S7.3构建新模型：以残差作为目标变量，继续训练一个新的XGBoost模型，这个新模型的目标是通过拟合残差来减少误差；

S7.4得到预测结果：使用GRU,LightGBM和KNN模型的预测结果分别加上XGBoost模型的预测结果，得到更新后的预测结果；

S4.采用改进的变色龙算法(TOCSA)对XGBoost模型参数进行优化，所述改进的变色龙算法为采用混沌反向初始化改进变色龙算法，使用优化后的XGBoost模型对基模型结果进行校正；

所述改进的变色龙算法的步骤如下：

S8.1设置算法种群数量N，上下界lb、ub，维度Dim和最大迭代次数T；

S8.2使用混沌反向策略代替原始算法的随机初始化，公式如下：其中， 和 表示边界下限和上限； 表示Tent映射生成的种群； 表示反向学习生成的种群， 是Tent映射生成的混沌序列，公式如下：其中，r∈(0,1)；

S8.3合并两个种群，计算每个个体的适应度值，选取前N个作为最终种群；

S8.4搜索猎物，对于每个个体，根据其邻居个体的信息，更新自身位置，公式如下：其中， 是第i只变色龙在第j维空间第t次迭代的位置；p1，p2是控制系数；r1，r2是[0,

1]内的随机数； 表示第i只变色龙在第j维空间的最佳位置；Bestj为变色龙全局最优的位置；pro是变色龙感知概率；sgn(rand‑0.5)表示变色龙的旋转方向；η是控制搜索能力的参数，表达式如下：其中，α为敏感参数；

S8.5发现猎物，其数学模型描述如下：

其中， 表示第i只变色龙第j次迭代的中心位置；B是旋转矩阵，表达式如下：其中， 表示z1和z2两个向量相互正交后的向量；r∈(0,1)；

S8.6捕捉猎物，其数学模型描述如下：

其中， 表示第t次迭代的速度； 表示上一次迭代的速度；a表示加速度，公式如下：‑log(t)

a＝2590×(1‑e )    (19)

S5.第二层建立基于误差加权的融合模型，根据S3中基模型软测量预测结果的误差，为GRU，LightGBM，KNN每个模型分配不同的权值，将第一层各模型的软测量预测结果进行加权融合，得到基于误差加权的计算结果；利用最小二乘支持向量机(LSSVM)模型对这一融合结果进行进一步预测，得到了两组预测结果：基于误差加权的计算结果和基于LSSVM模型误差融合的预测结果；

第二层建立基于误差加权的融合模型，其步骤如下：S9.1将S3中三个模型的最终预测结果分别表示为y1，y2和y3，那么基于误差的融合策略可以表示为：Y＝w1y1+w2y2+w3y3    (20)其中，w1，w2和w3表示误差权重系数，其计算公式如下：eall＝e1+e2+e3    (22)

其中，e1，e2和e3分别表示GRU,LightGBM和KNN使用XGBoost误差校正后的预测误差；

S9.2将融合后的结果Y送入到LSSVM模型中进行预测，得到基于误差权重的计算结果，记为Y′；

S6.第三层建立二次误差加权的集成模型，将S5中得到的两组结果再次基于误差加权得到最终软测量预测结果；

第三层建立二次误差加权的集成模型是将基于误差融合的预测结果Y和基于误差权重的计算结果Y′再次根据误差分配权重得到最终的软测量预测结果，公式如下：Yfinal＝w4Y+w5Y′    (23)e＝e4+e5    (25)

其中，e4和e5分别表示Y和Y′的预测误差；

S7.采用建立好的模型对工业中难以测量的变量进行预测。

2.根据权利要求1所述的一种工业过程关键性指标软测量建模方法，其特征在于，所述步骤S1中需要测量的关键指标数据是通过数据采集仪器连接网络或计算机，实现数据的实时采集和处理。

3.根据权利要求1所述的一种工业过程关键性指标软测量建模方法，其特征在于，所述的步骤S2中使用t‑SNE对采集到的变量进行特征提取，具体步骤如下：S3.1计算相似度：对于给定的高维数据集，计算数据点之间的相似度，通过高斯核函数来计算数据点之间的相似度，计算公式如下：其中，xi和xj是高维空间数据样本；||xi‑xj||表示数据点i和数据点j之间的欧氏距离；

δi是以xi为中心点的高斯方差；

S3.2定义条件概率：利用相似度信息，定义每对数据点之间的条件概率分布，表示在给定数据点xi的情况下，数据点xj成为其邻近点的概率；计算公式如下：其中，pj|i表示空间概率分布，表示xj可能成为xi近邻点的概率；xi是高维数据样本；

S3.3定义t分布：通过对条件概率进行对称化和归一化处理，得到t分布的条件概率；公式如下：其中，yi是低维数据点；

S3.4定义KL散度：计算高维空间和低维空间中数据点之间的KL散度，目标是使得高维空间和低维空间中的条件概率分布尽可能接近；计算公式如下：其中，Pi和Qi分别表示高维空间和低维空间中的条件概率分布；

S3.5梯度下降：通过梯度下降优化方法，最小化KL散度，确定低维空间中每个数据点的位置，计算公式如下：不断更新每个数据点在低维空间的位置，迭代公式为：其中，μ是学习率，η(t)是第t次迭代的系数。

4.根据权利要求1所述的一种工业过程关键性指标软测量建模方法，其特征在于，所述步骤S3中GRU模型的训练及软测量预测步骤如下：S4.1将S2中处理好的变量作为GRU模型的输入x；

S4.2初始化隐藏状态：首先将隐藏状态h0初始化为一个零向量或随机向量；

S4.3前向传播：对于输入序列中的每个时间t，执行以下操作：S4.3.1更新门：计算更新门向量zt，控制之后的信息流入程度，公式如下：zt＝σ(Wz·[ht‑1,xt])    (7)S4.3.2重置门：计算重置门向量rt，控制之前的信息被遗忘程度，公式如下：rt＝σ(Wz·[ht‑1,xt])    (8)S4.3.3候选隐藏状态：计算候选隐藏状态向量 用于更新隐藏状态，公式如下：S4.3.4更新隐藏状态：根据更新门向量zt和候选隐藏状态向量 计算当前时刻的隐藏状态向量ht，公式如下：其中，xt表示当前时刻的输入向量；Wz，Wr，Wh分别表示更新门、重置门和候选隐藏状态的权重参数；σ表示sigmoid函数；tanh表示双曲正切函数；·表示按元素相乘；

S4.4输出预测：根据最终的隐藏状态ht，利用全连接层或其他输出层进行最终的输出预测。

5.根据权利要求1所述的一种工业过程关键性指标软测量建模方法，其特征在于，所述的步骤S3中LightGBM模型的训练及软测量预测步骤如下：S5.1初始化模型参数：首先，需要设置LightGBM模型的超参数；

S5.2构建决策树：LightGBM通过迭代的方式逐步构建决策树，以逐渐优化预测结果，每一次迭代都会构建一个新的决策树，并将其添加到模型中；

S5.3计算样本的分数：对于需要预测的样本，LightGBM根据当前已经构建好的决策树，计算出相应的分数，分数表示样本属于正类的概率或预测值；

S5.4合并多个决策树的分数：如果有多个决策树，LightGBM将它们的分数进行加权求和或平均，得到最终的预测结果。

6.根据权利要求1所述的一种工业过程关键性指标软测量建模方法，其特征在于，所述的步骤S3中KNN模型的训练及软测量预测步骤如下：S6.1选择K值：首先需要选择一个合适的K值，即选择多少个最近邻来进行预测，K值的选择可能会对结果产生较大影响，需要通过交叉验证方法进行调优；

S6.2计算距离：对于待预测的样本，计算它与训练集中所有样本的距离，计算公式如下：其中，xi表示A点位置，yi表示B点位置；

S6.3确定最近邻：根据计算得到的距离，选取与待预测样本距离最近的K个训练样本作为最近邻；

S6.4进行预测：采用平均值原则，即选择K个最近邻的目标值的平均值作为预测结果。