1.一种面向工业大数据的并行学习软测量建模方法，其特征在于，包括如下步骤：S20，将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池，其中所述监督机制包括点增量监督机制和块增量监督机制，所述候选隐层节点池包括候选隐层单节点池和候选隐层块节点池；

S30，在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络；

S40，若当前网络的模型参数达到停止标准，则根据对应的模型参数确定软测量模型；

S50，若当前网络的模型参数未达到停止标准，则根据当前隐层节点数更新下一次迭代中样本数据的分块数M，返回执行步骤S20，直至当前网络的模型参数达到停止标准，根据达到停止标准时的模型参数确定所述软测量模型。

2.根据权利要求1所述的面向工业大数据的并行学习软测量建模方法，其特征在于，在所述将样本数据划分为M块训练集，采用点增量算法与块增量算法相结合的随机配置网络并行学习策略，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池之前，还包括：设置隐层参数随机生成次数、学习参数、随机参数的分配区间集合、最大迭代次数、给定期望容差、样本数据的初始块数和并行学习策略中块增量算法的宽度。

3.根据权利要求2所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述根据所述当前隐层节点数更新下一次迭代中样本数据的分块数M包括：将所述当前隐层节点数代入分块函数计算下一次迭代中样本数据的分块数M；所述分块函数包括：若 则

式中，L表示当前隐层节点数， 表示第k次迭代时分块数递增区间长度， 和 分别表示相应递增区间的上下界，则 M0表示初始样本数据的分块基数。

4.根据权利要求2所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述并行学习策略中采用点增量算法针对M块训练集同步建立并求取满足点增量监督机制的候选隐层单节点池包括：根据所述随机参数的分配区间集合确定点增量分配区间，在所述点增量分配区间内进行Tmax次随机生成点增量隐层参数；Tmax表示隐层参数随机生成次数；

依据点增量监督机制，针对全体训练集分别对各次点增量隐层参数进行筛选，获得满足点增量监督机制的多个点增量隐层参数，根据各个点增量隐层参数构建候选隐层单节点池；

在所述候选隐层单节点池中确定最佳候选隐层单节点。

5.根据权利要求4所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述点增量监督机制包括：式中，q＝1,2,…,m，m表示各训练集输出的维数，p＝1,2,…,M，M表示训练集的块数，r表示学习参数，μL＝1-r/L+1，L表示当前隐层节点数，eL-1,q表示当前隐层节点数为L-1时各训练集第q个输出对应的残差，符号<·,·>表示向量的内积，gp,L表示当前隐层节点数为L时第p个数据块的隐层输出，ξL,q表示当前隐层节点数为L时各训练集第q个输出对应的监督机制；

在所述候选隐层单节点池中确定最佳候选隐层单节点包括：

根据点增量监督机制计算全体训练集对应的点增量辅助参数ξL；所述点增量辅助参数的计算公式为：在所述候选隐层单节点池中，将所述点增量辅助参数ξL取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层单节点。

6.根据权利要求2所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述并行学习策略中采用块增量算法针对M块训练集同步建立并求取满足块增量监督机制的候选隐层块节点池包括：根据所述随机参数的分配区间集合确定块增量分配区间，在所述块增量分配区间内进行Tmax次随机生成块增量隐层参数；Tmax表示隐层参数随机生成次数；

依据块增量监督机制，针对全体训练集分别对各次块增量隐层参数进行筛选，获得满足块增量监督机制的多个块增量隐层参数，根据各块增量隐层参数构建候选隐层块节点池；

在所述候选隐层块节点池中确定最佳候选隐层块节点。

7.根据权利要求6所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述块增量监督机制包括：式中，q＝1,2,…,m，m表示各训练集输出的维数， 表示在第k次迭代时第p个数据块对应的隐层输出块，gp,L表示当前隐层节点数为L时第p个数据块的隐层输出，p＝1,2,…,M，M表示训练集的块数，表示在第k次迭代时各训练集第

q个输出对应的输出权值的中值，上标 表示广义逆运算，上标“T”表示转置运算，r表示学习参数，μL＝1-r/L+1，L表示当前隐层节点数， 表示当前隐层节点数为L-△k时各训练集第q个输出对应的残差，符号<·,·>表示向量的内积， 表示在第k次迭代时各训练集第q个输出对应的监督机制；

在所述候选隐层块节点池中确定最佳候选隐层块节点包括：

根据块增量监督机制计算全体训练集对应的块增量辅助参数 所述块增量辅助参数的计算公式为：在所述候选隐层块节点池中，将所述块增量辅助参数 取得最大值时全体训练集对应的隐层节点确定为最佳候选隐层块节点。

8.根据权利要求2至7任一项所述的面向工业大数据的并行学习软测量建模方法，其特征在于，在将样本数据划分为M块训练集之后，还包括：若并行学习策略中点增量算法或块增量算法针对所述M块训练集未求取到满足监督机制的候选隐层节点池，则将其学习参数由r更新为r+τ，τ∈(0,1-r)，并调整随机参数的分配区间边界值λ，λ∈Υ，Υ为随机参数的分配区间集合。

依据更新后的学习参数和分配区间执行所述未求取到满足监督机制的候选隐层节点池对应的点增量算法或块增量算法，针对所述M块训练集同步建立并求取满足监督机制的候选隐层节点池的过程。

9.根据权利要求2至7任一项所述的面向工业大数据的并行学习软测量建模方法，其特征在于，所述在候选隐层节点池中基于残差最速下降原则选取最佳候选节点作为隐层增长节点添加到当前网络包括：首先，根据所述最佳候选隐层单节点和最佳候选隐层块节点同步构建基于当前网络隐层输出矩阵的点增量隐层输出矩阵和块增量隐层输出矩阵，所述当前网络隐层输出矩阵包括：式中，M表示训练集的块数，Hp,L表示当前隐层节点数为L时第p块训练集的隐层输出矩阵，Tp表示第p块训练集的输出数据；

所述点增量隐层输出矩阵包括：

所述块增量隐层输出矩阵包括：

然后，通过求解全局最优解得到所述最佳候选隐层单节点和最佳候选隐层块节点对应的点增量输出权值和块增量输出权值，所述点增量输出权值包括：所述块增量输出权值包括：

计算所述最佳候选隐层单节点和最佳候选隐层块节点对应的点增量残差模值和块增量残差模值，所述点增量残差模值包括：||eL+1||＝||T-HL+1βL+1||

式中，eL+1表示当前隐层节点数为L+1时的残差，||·||表示二范数形式的模值；

所述块增量残差模值包括：

式中，eL+1表示当前隐层节点数为L+Δk时的残差；

最后，根据残差最速下降原则将残差模值小的候选隐层节点确定为隐层增长节点添加到当前网络。

10.根据权利要求1至7任一项所述的面向工业大数据的并行学习软测量建模方法，其特征在于，还包括：采用所述软测量模型对目标对象进行软测量；所述目标对象与软测量模型的样本数据为同类型数据。