1、在間歇生產過程中，往往面臨著部分關鍵參數(shù)無法通過傳感器直接測量而影響到生產過程中的產品質量控制以及自動化水平提高等問題。同時，間歇過程無可靠的機理模型、過程時變性強、原材料波動大等特點，造成了針對該過程建模和控制非常困難，產品質量波動大，能耗無法得到有效控制等問題。
　　 目前，針對此類問題，以支持向量回歸(Support Vector Regression，SVR)和最小三乘支持向量機(Least Squares SVR，LS

2、SVR)等一類基于數(shù)據(jù)驅動的核學習建模方法得到了廣泛的研究，并取得了一定的成效，但仍面臨一些共性問題：(1)對數(shù)據(jù)不確定性、相關性和非線性較為敏感；(2)需要估計正則化參數(shù)，在回歸問題中還需要調整敏感度參數(shù)；(3)絕大部分SVR、LSSVR方法都是離線的，建立的是離線模型，在線遞推模型的研究還相對較少等。
　　 針對以上情況，本課題主要開展以下工作：
　　 1.為了提高針對間歇過程建模的準確性以及推廣性能，且充分利用先驗

3、概率信息，提出了一種貝葉斯核學習建模方法，在給定假設先驗概率分布和似然分布的條件下，通過修正預測模型，從而提高模型對非線性過程建模的準確性和推廣性能。通過對一類青霉素發(fā)酵過程仿真實驗表明，該建模方法引入了貝葉斯方法，可以有效地獲得參數(shù)的優(yōu)化解，得到精確的預測模型，較傳統(tǒng)神經網(wǎng)絡、LSSVR等算法具有更好的預報性能和推廣性能。
　　 2.針對工業(yè)過程中在線實時預報產品關鍵參數(shù)的要求，本文推導了一種遞推貝葉斯建模方法，并提出了一種遞

4、推貝葉斯核學習建模方法，采用基于模型預報誤差準則的樣本稀疏化策略，冗余樣本刪除策略、模型在線遞推更新，對一類非線性過程進行在線建模，實時預報工業(yè)過程關鍵參數(shù)。通過對橡膠混煉過程的實際數(shù)據(jù)進行仿真研究表明，遞推貝葉斯核學習方法較遞推貝葉斯建模方法、貝葉斯核學習方法，對混煉過程關鍵參數(shù)具有更好的預報性能、推廣性能、過程參數(shù)選擇靈活性，具備一定的工業(yè)應用價值。
　　 3.將遞推貝葉斯核學習方法應用到國內某輪胎制造廠的橡膠混煉過程門尼粘