【正文】 獲得的信息求取主導(dǎo)變量的最佳估計值。 影響軟測量性能的主要因素有如下幾種： 輔助變量的選擇確定軟測量的輸入信息，直接決定軟測量模型的結(jié)構(gòu)和輸出。 數(shù)據(jù)的預(yù)處理—精確可靠的數(shù)據(jù)是軟測量成敗的關(guān)鍵。 軟測量模型的簡歷—軟測量技術(shù)的核心任務(wù)。 模型的在線校正—能進(jìn)一步提高軟測量的準(zhǔn)確程度。這些都能影響軟測量的性能，然而輔助變量的選擇也是至關(guān)重要的，其中包括變量類型的選擇，變量數(shù)目的選擇和測點位置的選擇。變量類型的選擇原則包括以下幾種：適用性：工程上易于獲得并能達(dá)到一定的測量精度 ；靈敏性：能對過程輸出和不可測擾動作出快速反應(yīng) ；特異性：對過程輸出或不可測擾動之外的干擾不敏感；精確性：構(gòu)成的軟測量估計器滿足精度要求；魯棒性：構(gòu)成的軟測量估計器對模型誤差不敏感 。變量數(shù)目的選擇有兩種方法，首先從過程機理入手分析，從影響被估計變量和變量中去挑選主要因素，因為全部引入既不可能也沒有必要。其次如果缺乏機理知識，則可用回歸分析的方法找出影響被估計變量的主要因素，這需要大量的觀測數(shù)據(jù)。檢測點位置的選擇也是很重要的，檢測點位置的選擇方案十分靈活，可供選擇的檢測點很多，而且每個檢測點所能發(fā)揮的作用各不相同。一般情況下，輔助變量的數(shù)目和位置常常是同時確定的，變量數(shù)目的選擇準(zhǔn)則也往往應(yīng)用于檢測點位置的選擇。我們在軟測量的時候同時也會存在誤差，測量誤差的處理方法有兩種，一種是隨機誤差的處理，另一種是過失誤差的處理。測量數(shù)據(jù)變換不僅影響模型的精度和非線性映射能力，而且對數(shù)值算法的運行效果也有重要作用。測量數(shù)據(jù)的變換包括標(biāo)度、轉(zhuǎn)換和權(quán)函數(shù)三個方面。模型的校正分為在線校正和離線校正兩種方法。軟測量的模型表征輔助變量和主導(dǎo)變量之間的數(shù)學(xué)關(guān)系稱為軟測量模型。建立軟測量模型的方法多種多樣，且各種方法互有交叉和融合。各種方法可以分為機理方法和經(jīng)驗方法兩類。機理模型建模是基于對過程對象的深刻認(rèn)識，運用對象的平衡方程、動力學(xué)方程、物性參數(shù)方程和設(shè)備特性方程，建立估計主導(dǎo)變量的精確數(shù)學(xué)模型。 由于實際工業(yè)過程的復(fù)雜性，難以完全通過機理分析得到軟測量模型。因此，基于機理分析的方法建模非常困難，需要與其他方法配合使用。同時經(jīng)驗方法也分為基于回歸分析方法，基于人工智能方法 和基于狀態(tài)估計方法三種。（1）基于回歸分析的軟測量。傳統(tǒng)的回歸方法是辨識建模的基于方法?；谧钚《嗽頌榛A(chǔ)的一元和多元線性回歸技術(shù)已相當(dāng)完善，對于輔助變量較少的情況，一般采用多元線性回歸中的逐步回歸技術(shù)可獲得較好的軟測量模型。對于輔助變量較多的情況，通常要借助機理分析，首先獲得模型各變量組合的大致框架，然后采用逐步回歸方法獲得軟測量模型。也可以采用主元回歸分析等方法，對原問題進(jìn)行降維處理，然后再進(jìn)行回歸。（2）基于狀態(tài)估計的軟測量。若已知系統(tǒng)狀態(tài)空間模型，而主導(dǎo)變量作為系統(tǒng)的狀態(tài)變量對輔助變量是完全可觀的，則構(gòu)成軟測量模型問題就轉(zhuǎn)化為典型的狀態(tài)觀測和估計問題。kalman濾波器和luenberger觀測器是解決上述問題的有效方法?；跔顟B(tài)估計的軟件表可以反映主導(dǎo)變量和輔助變量之間的`動態(tài)關(guān)系，有利于處理各變量間動態(tài)特性的差異和系統(tǒng)滯后等情況。但是對于復(fù)雜的工業(yè)過程，很難建立系統(tǒng)的狀態(tài)空間模型，一定程度上限制了該方法的應(yīng)用。（3）基于人工智能方法。人工神經(jīng)網(wǎng)絡(luò)（ann）———ann具備有量的信息處理特征：無需具備對象的先驗知識，可以根據(jù)對象的輸入輸出數(shù)據(jù)直接建模；獨特的非傳統(tǒng)的表達(dá)方式和固有的學(xué)習(xí)能力，使之在解決高度非線性方面具有很大的潛力。模糊技術(shù)——模糊技術(shù)模仿人腦的邏輯思維，用于處理模型未知或不精確的控制問題。通常將模糊邏輯與神經(jīng)網(wǎng)絡(luò)相結(jié)合，形成模糊神經(jīng)網(wǎng)絡(luò)，適用于非線性的、復(fù)雜的系統(tǒng)。（4）其他建模方法。針對軟測量的基本建模方法中存在的問題，研究人員或?qū)⒉煌乃惴右越Y(jié)合，或?qū)⑿碌臄?shù)學(xué)方法運用到軟測量中，提出谷種各樣的改進(jìn)算法，例如： 遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合、回歸算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合、小波網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)的結(jié)合、基于支持向量機算法的建模方法和基于微粒群算法的建模方法。軟測量同時也存在很多問題，例如如何適應(yīng)原料性質(zhì)變化問題、如何適應(yīng)生產(chǎn)裝置操作范圍大幅度變化問題和動態(tài)軟測量問題等問題。軟測量使用廣泛的是與主導(dǎo)變量動態(tài)特性相近，關(guān)系密切的可測參數(shù)，如精餾塔和反應(yīng)器過程中的溫度、溫差和雙溫差，生物發(fā)酵反應(yīng)中的尾氣濃度等。但是由于對象的可測變量集往往相當(dāng)龐大，人們主要根據(jù)對象的機理、流程及專家經(jīng)驗來選擇輔助變量，同時也結(jié)合一些智能技術(shù)如知識發(fā)現(xiàn)，數(shù)據(jù)融合等技術(shù)來選擇輔助合適的變量。軟測量技術(shù)也應(yīng)用于鑄坯質(zhì)量優(yōu)化控制技術(shù)，鑄坯表面溫度測量控制水冷，凝固，水冷凝固決定鑄坯(鋼材)質(zhì)量生產(chǎn)效率、生產(chǎn)成本。通過本節(jié)課的學(xué)習(xí)，我對軟測量技術(shù)有了濃厚的興趣，課后我查閱了大量的文獻(xiàn)資料，也翻看了一些相關(guān)的論文?？吹搅撕芏嗾n本上看不到的知識，拓寬了與軟測量技術(shù)相關(guān)的知識，增加了對軟測量技術(shù)的感性認(rèn)識，加深了對軟測量在實際用用中的理解。