特异性，就是工艺流程中的输出和那些无法轻易被测定衡量的东西没有办法干扰到我们所需要测定的变量。

准确性，工艺生产流程所要求的精确性能够被满足。

鲁棒性或抗变换性（Robustness），就是不敏感性。

图1.1就是软测量的结构图。

图1.1 软测量结构图

1.2.2 软测量技术的实现方法 

（1） 辅助变量的选择

通常一般是根据工业产品的加工制造技术方法和过程来进行拆分解构，举个例子，物料分析。我们通常是先初次选择一些与我们最终需要得到的变量有一定关联的较为原汁原味的用于辅助功能的变量，然后在这个基础上进一步筛选，确定最终我们需要的辅助变量的个数。

（2） 输入数据的处理

这个部分包含两个方面，也就是换算和处理那些有一定偏差值的数据。工业生产流程所构建出来的模型的观测值与真值的接近程度和不是线性的投影能力被换算直接影响着，不仅如此，最优化数据的算法的运作起来得到的最终成果也受到了它的影响。那些有一定偏差值的数据分为没有规律的误差和由于工业生产流程中出现的泄露、机器失灵等造成的误差这两种。

（3） 软测量模型的建立

软测量模型是那些做研究的人们在以对工艺生产过程的机制有了一定的、深层次的了解了这样的基础上，开拓发现并建构出的能够用来估测计算的模型，软测量建立起来的模型是软测量方法的核心。软测量模型的如何构建和构建的过程也有很多不相似的地方，机制不一样，模型也就不一样。

（4） 软测量模型的在线校正

对软测量模型进行线上的校验修改，通常情况下我们会选用每隔固定时间来进行校验修改和当我们设定的某种条件被满足了就对它进行校验修改。每隔固定时间来进行校验修改是指软测量模型运作行动在线上有一定的时间之后，用这段时间我们所得到的迭代的范本通过用某一种特定的算法，来对软测量模型使用校验修改，从而能够获得相对比较符合迭代状况的软测量模型。当我们设定的某种条件被满足了就对它进行校验修改，意思就是我们用我们当下拥有的软测量模型来使得我们最后需要拿去估算计算的线上软测量发生，然后把这些软测量最后得到的值拿去与与之相对的用来分析的数据比较。

1.2.3 软测量技术的分类

其中一种是基于当下不成简单比例的消息处置整理技术的软测量技术，这项技术是通过使用一个简单的，容易测得的过程消息（辅助变量（辅助变量，Secondary Variable），它通常是一种较为没有明显规律的信号），使用高端的处理信息的技术，然后通过分析和处理接收到的信息中提取的信号特征的数量，从而在线上检验测定我们事先设定好需要的参数或鉴别那些表现出来的过程形态。处理信息的具体方法不同是它们的不同之处。该信息处理方法的软测量测定模拟绝大多数是非线性的、先进的信息处理技术，举例说明像混沌和分形技术、小波分析就是如此，所以，正因为这样，该技术可以被应用到难以适应传统的信号处理方法的相对不简单的工业系统当中。总的数来，这类软测量建模方法的发展比其他类别的建模方法起步晚，研究还不够集中。这项技术目前主要用于诊断系统故障，检测状态并检测疏忽错误，而且在通常情况下会结合人工神经网络或者摸蝴数字学习等等的人工智能（Artificial Intelligence）。

由于本研究课题主要内容是通过BP神经网络来建立软测量模型，所以不再对其他分类加以过多的叙述。以下是基于人工神经网络的软测量建模的一些介绍。

通过人工神经网路来构建软测量模型的方法是这些年以来投入科学研讨数量最多、实际工艺生产流程中用到最被普及的、演化过程非常迅速的软测量建模方法。因为它可用于高非线性和高度不确定的系统，它提供了一种行之有效的解决方法来解决系统的软复杂的测量过程参数的问题。目前有两种使用人工神经网络建模软测量的形式，其中之一，直接用人工神经网络建模，通常情况下用来描述辅助变量与关键变量之间的关系的数学模型被神经网络取代了，并终止可测量的信息空间，显示可支配的变量。