软测量技术是解决现代复杂工业过程中较难甚至无法由硬件在线测量参数的实时估计问题的有效手段。支持向量机(Support Vector Machines, SVM),由于它具有以任意精度逼近任何线性和非线性函数的能力,已被成功地应用到石油、化工等方面的软测量建模。但实际生产过程往往存在着非线性、工况范围广等特点,采用单一支持向量机模型往往无法满足工艺精度要求。本文依据多模型思想,结合实际工程应用背景,提出三种多模型建模方法:多模型建模的首要前提是对建模用的数据集进行划分,常用的划分子系统的方法是采用聚类算法将数据集根据输入空间相似性划分为若干子集。然而,聚类算法往往要求聚类个数c事先给定,在一定程度上困扰了聚类算法的应用。本文从系统输入输出数据出发,针对比较法和融合法中计算量大,初始聚类个数选取盲目的缺点,依据用户满意为最终目标的原则,提出一种简单有效的快速满意c确定方法,并将其应用于系统多模型建模过程中。对一个对象而言,输出数据是对象特性的真实反映,对研究对象的变化有重要的意义。为实现依据对象的输出数据的值区间分类,本文把贝叶斯二次判别分析算法(Quadratic Discriminant Analysis,QDA)引入到软测量样本集分类。首先以目标变量值的不同区间作为先验分类的标准,把已知样本分为若干类别,并提供分类器所需的先验类别信息,对于未知类别的输入数据,用QDA依据先验类别信息判断其所属数据类别,进而对系统构建多模型。数据信息的完备性是建立高精度模型的必备条件。对于一个对象而言数据信息包括对象的输入信息和输出信息,单纯地依据输入信息或是输出信息对样本进行划分都很难完整地描述对象的变化过程。为保持样本数据信息的完备性,实现依据系统输入输出信息对样本分类,本文提出一种基于聚类分析和贝叶斯二次判别分析(Clustering Analysis and Quadratic Discriminant Analysis, CAQDA)算法的多模型建模方法。模糊聚类算法依据样本输入间的相似性,把样本数据划分为若干子集,对每个子集用二次判别分析算法依据系统输出信息进行二次划分,最后用支持向量机算法建立每个类别的子模型。用该方法建立的双酚A生产裂解重整单元中重排反应器底部产物双酚A含量软测量模型,在模型精度、泛化能力等方面均优于单一SVM模型和基于模糊聚类的多SVM模型。