1.基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，包括如下步驟：
2.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，在步驟s2的數(shù)據(jù)擴充中，樣本生成的訓(xùn)練流程如下：
3.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，在步驟s3的特征提取模型訓(xùn)練中，采用基于特征提取果蠅優(yōu)化的神經(jīng)網(wǎng)絡(luò)算法，其訓(xùn)練流程如下：
4.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，在步驟s4的特征降維模型訓(xùn)練中，采用基于局部保持投影的自編碼神經(jīng)網(wǎng)絡(luò)算法實現(xiàn)特征降維，訓(xùn)練流程如下：
5.如權(quán)利要求1所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，在步驟s5的分類器模型訓(xùn)練中，采用基于稀疏子空間學(xué)習(xí)的隨機森林算法進行訓(xùn)練，流程如下：
6.如權(quán)利要求2所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，步驟s202中，量子信息增益損失函數(shù)采用基于量子態(tài)的wasserstein損失進行計算，計算方式表示為：
7.如權(quán)利要求2所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，步驟s203中，生成的合成數(shù)據(jù)通過混合核密度估計進行調(diào)整，利用核函數(shù)更精確地模擬目標(biāo)數(shù)據(jù)分布，表示為：
8.如權(quán)利要求3所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，步驟s304中，基于果蠅算法得出的權(quán)重參數(shù)調(diào)整量和偏置參數(shù)調(diào)整量的計算方式分別表示為：
9.如權(quán)利要求5所述的基于人工智能的蒸汽發(fā)生器狀態(tài)實時監(jiān)測方法，其特征在于，步驟s502中，模糊概率的計算方式表示為：