聚酯纤维具有优良的物理性质、力学性能以及化学稳定性,作为最大的合成纤维品种广泛运用于国民经济各个方面。聚酯纤维的工艺流程包括聚合、熔体输送、纺丝和后加工等四部分,聚合过程作为聚酯纤维生产的首道工序,会对最终的纤维性能产生至关重要的影响。而在聚合过程中,特性粘度能够有效地衡量聚合物的性能。因此建立聚酯特性粘度的软测量模型,实现对它的准确预测是有意义的。由于聚合过程是具有高度非线性、强耦合、多变量、时变性的复杂系统,建立完善的机理模型较为困难。因此本文利用数据驱动的方法建立聚酯特性粘度的软测量模型,并按照工业过程的建模步骤展开研究,最终建立了全局学习模型和即时学习模型。本文主要的研究工作如下:(1)结合聚酯纤维聚合过程的工艺流程和反应机理,将特征工程应用于聚合数据集基础特征构建。特征工程包括:通过统计学方法和可视化技术进行数据探索;针对数据中存在的异常值、噪声以及量纲不一致的问题进行数据预处理;结合聚合过程的特点构建出有实际意义的拓展特征。由此可以将原始数据集转换为可用于建模的数据集。(2)将特征选择方法与集成学习的思想相结合,建立集成特征选择模型,用于对聚合数据集中特征重要性进行分析判断,并为后续实验筛选出最合适的特征子集。实验结果表明该模型能够有效的衡量特征的重要性,比单一特征选择方法的结果要更全面且客观。(3)采用堆叠式集成学习作为基准算法并运用选择性集成的方法构建用于特性粘度软测量的全局学习模型。提出基于遗传算法的堆叠式集成学习(GA-SEL),该算法把遗传算法运用在堆叠式集成学习的结构寻优方面,将对其中个体学习器的选择与组合的问题转化为以预测效果最好为目标的优化问题。实验结果表明GA-SEL具有预测精度高、鲁棒性强、可拓展性高的优点,能够实现对聚酯特性粘度的准确预测。(4)提出基于GMMMD的自适应即时学习算法(GMMMD-JI TL)并用于构建特性粘度软测量的即时学习模型。该算法在即时学习的相似性度量方面,把高斯混合模型与马氏距离相结合构建了GM MMD相似性度量指标;在确定局部样本数量方面,利用相似性度量指标贡献率自适应的选定。由实验结果可知GMMMD-JITL具有更高的预测精度,在具有非高斯时变特性的工业过程的建模上具有明显的优越性。