2020年5月，我院制浆造纸工程系刘鸿斌副教授与华南师范大学黄明智教授以及韩国庆熙大学ChangKyoo Yoo教授在计算机科学领域一区TOP期刊《Applied Soft Computing》（影响因子5.472）合作发表了题为“Soft Sensor Modeling of Industrial Process Data Using Kernel Latent Variables-Based Relevance Vector Machine”的研究论文。刘鸿斌副教授为论文第一作者，南京林业大学为第一作者单位。

软测量技术通过在难测变量和易测变量之间建立数学预测模型，对重要变量进行在线预测，一定程度上可以克服传统硬件传感器的缺点。在工程实践中，通过集散控制系统收集到的工业大数据具有高维度、强动态和强非线性等复杂特性，这些都是影响软测量模型预测性能的重要因素。针对过程数据中存在的复杂特性，论文提出了一种基于核偏最小二乘和相关向量机（KPLS-RVM）的混合软测量建模方法。利用KPLS处理工业数据的非线性和共线性特征，然后用低维潜变量作为RVM模型的输入变量进行概率估计，得到KPLS-RVM模型。

为了评价KPLS-RVM的建模精度，采用地铁室内空气质量和废水处理过程两组实际过程数据进行验证。研究结果表明，KPLS-RVM模型具有较强的鲁棒性，通过贝叶斯概率方法产生更为稀疏的相关向量模型可以获得更准确的预测结果，并且在模型运算速度方面具有较大优势。

该项研究工作得到南京林业大学标志性成果培育项目和韩国国家研究基金的资助。