基于自校正批次相关高斯回归的间歇过程质量预测方法

本发明公开了一种融合批次关联信息和动态数据校正的间歇过程质量预测方法。本方法步骤如下：1)获取和整合间歇过程的多批次数据，采用典型相关分析挖掘批次间关联性，构建批次相关性矩阵，并结合高斯过程回归改进核函数，提升模型对批次数据关联性的捕捉能力；2)引入动态数据校正方法，通过贝叶斯推理动态调整预测误差，结合测量数据优化预测结果，进一步降低噪声对模型的影响；3)利用上述改进后的模型进行建模训练和测试，验证其在间歇结晶过程中的有效性。通过对多个模型的对比实验，结果表明，本发明提出的融合批次关联信息和动态数据校正的间歇过程质量预测方法在处理高噪声、小样本的间歇过程数据时，表现出更高的预测精度和稳定性。