技術(shù)特征：

1.一種基于混合集成學習的連續(xù)退火產(chǎn)品質(zhì)量在線檢測方法，其特征在于包括如下步驟：

步驟1：構(gòu)建訓練樣本集合：一個訓練樣本的輸出為一條帶鋼的產(chǎn)品質(zhì)量，輸入為該帶鋼生產(chǎn)時的過程數(shù)據(jù)；從連續(xù)退火機組的歷史數(shù)據(jù)中采集正常生產(chǎn)工況下的n個樣本，建立訓練樣本集合；

步驟2：數(shù)據(jù)降維：對采集到的樣本數(shù)據(jù)集合進行歸一化，然后進行主元分析，得到降維后的訓練樣本集合L；

步驟3：子學習機生成：根據(jù)步驟2得到的訓練樣本集合L，使用基于Bagging和AdaBoost的混合集成學習方法訓練得到K個子學習機，方法為：

步驟3.1：設定子學習機索引i＝1，子學習機的最大數(shù)量K；

步驟3.2：針對第i個子學習機，如果i＝1，則直接從訓練樣本集合L按照均勻分布進行可放回隨機抽樣，共獲得pn個測試樣本，其中0<p<1，如果pn不是整數(shù)，則做下取整處理，作為第1個子學習機的訓練樣本集合；否則，首先選擇前一個子學習機中訓練誤差大于a％的樣本，其中a為一個人為設定值，然后再按照均勻分布進行可放回抽樣的方式從L中選取其它樣本(這些樣本與已經(jīng)加入的誤差較大樣本不重復)，共構(gòu)成pn個測試樣本，作為第i(i>1)個子學習機的訓練樣本集合S_i；

步驟3.3：調(diào)整訓練樣本的權(quán)重：如果i＝1，則所有樣本的權(quán)重相同，設為1/pn；否則，按照如下方式調(diào)整各訓練樣本的權(quán)重：

步驟3.3.1：將所加入的誤差較大的每個樣本j的權(quán)重設置為w_j＝100×e_j％，其中e_j％為這個樣本的絕對誤差；

步驟3.3.2：將隨機抽樣獲得樣本的權(quán)重設置為1；

步驟3.3.3：對所有樣本的權(quán)重進行歸一化，即每個樣本的權(quán)重為其中l(wèi)從1到pn，w_l為訓練樣本集合L中相應樣本的權(quán)重；

步驟3.4：針對給定權(quán)重的訓練樣本集合S_i，使用最小二乘支持向量機LSSVM方法訓練并得到第i個子學習機，并計算它的均方根誤差RMSE_i；

步驟3.5：設置i＝i+1；如果i≤K，則轉(zhuǎn)到步驟3.2；否則轉(zhuǎn)到步驟4；

步驟4：子學習機權(quán)重確定：根據(jù)每個子學習機的均方根誤差RMSE_i，計算每個子學習機的權(quán)重

步驟5：集成學習模型應用：在實際生產(chǎn)中，針對每條帶鋼，根據(jù)當前的生產(chǎn)過程數(shù)據(jù)，計算集成學習機的輸出，即最終的帶鋼產(chǎn)品質(zhì)量檢測值為其中f_i為第i個子學習機所輸出的帶鋼質(zhì)量。

2.一種基于混合集成學習的連續(xù)退火產(chǎn)品質(zhì)量在線檢測方法，其特征在于：最小二乘支持向量機LSSVM方法的步驟包括：

步驟1：初始化遺傳算法的種群規(guī)模為Z，交叉算子為SBX，最大迭代次數(shù)M；

步驟2：以LSSVM的模型參數(shù)：樣本誤差的懲罰系數(shù)γ和核函數(shù)參數(shù)σ作為變量，即遺傳算法的每個解X_j＝(γ_j,σ_j)，隨機產(chǎn)生Z個解，針對每個解，使用其所確定的LSSVM模型計算適應度值其中O_l(LSSVM_j)表示由解X_j所確定的LSSVM模型針對第l條帶鋼質(zhì)量的估計值，y_l表示該條帶鋼質(zhì)量的實際檢測值；

步驟3：隨機從種群中選取兩個父代解，對其執(zhí)行SBX交叉操作，得到新的中間解X'＝(γ',σ')；

步驟4：產(chǎn)生一個[0,1]內(nèi)的隨機數(shù)r，如果r<0.05，則對X'執(zhí)行變異操作，即將X'的兩個變量在其當前值的5％范圍內(nèi)隨機產(chǎn)生一個擾動值Δ_r和Δ_σ，然后設置γ'＝γ'+Δ_r,σ'＝σ'+Δ_σ，從而得到一個新解X_new；

步驟5：計算X_new的適應度值，如果其適應度值優(yōu)于兩個父代解中的至少一個，則用X_new替代父代解中最差的一個，即適應度值最大的一個；

步驟6：重復執(zhí)行Z次步驟3-5，得到新的種群；

步驟7：重復執(zhí)行M次步驟3-6，將最后種群中的最好解所對應的LSSVM模型作為第i個子學習機，然后計算該子學習機針對所有訓練樣本的均方根誤差其中LSSVM_i表示由遺傳算法所得到的最好解所確定的第i個子學習機；

步驟8：子學習機權(quán)重確定：根據(jù)每個子學習機的均方根誤差RMSE_i，計算每個子學習機的權(quán)重