陈双叶，赵 荣，符寒光

(1.北京工业大学信息学部，北京 100124；2.北京工业大学材料科学与工程学院，北京 100124)

在复杂的工业生产过程中，产品的质量参数往往需要抽取部分产品经过实验室检测得到，需要投入大量的人力、物力，而且具有很强的滞后性.通常这些滞后性较大的变量会采用软测量模型进行预测，但在实际应用中，由于生产环境的变化，会造成工艺参数的动态变化，这在机器学习领域称为概念漂移[1].概念漂移主要由数据的分布变化导致[2]，目前共存在3类处理概念漂移的方法，包括滑动窗口技术[3]、漂移检测技术[4]和集成学习技术[5].滑动窗口技术仅仅保留最近的样本来帮助当前数据的学习；漂移检测技术通过检测概念的漂移来触发模型的更新；集成学习技术通过各个模型的组合可以方便地适应概念漂移后的新数据分布.

研究表明，集成学习具有较好的概念漂移处理能力[6].集成学习是一种通过组合多个基学习器以提高整体泛化性能的有效方法，该方法能很好地适应数据分布的变化.准确性和多样性是集成的2个重要特征[7]，目前研究大多只关注集成学习器的准确性，而忽略了集成中基学习器间的多样性对集成泛化性能的影响.在过去的20多年中，多样性一直被认为是设计集成的主要推动力[8].研究者提出许多方法用于提高集成学习中基学习器间的多样性.Breiman[9]提出的Bagging算法通过对训练样本重采样生成基学习器训练子集的方式[10]，得到差异较大的基学习器；……