1.一种基于ST-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法，包括：步骤S1：选择影响脱硫效率的工艺参数和脱硫单元的性能指标；其中，所述工艺参数包括进入尾气吸收塔的贫胺液流量、进入二级吸收塔的贫胺液流量、原料气处理量、尾气单元返回脱硫单元的半富胺液流量、一级吸收塔的胺液入塔温度、二级吸收塔的胺液入塔温度、闪蒸罐压力、一个重沸器的蒸汽消耗量、另一个重沸器的蒸汽消耗量和蒸汽预热器的蒸汽消耗量；所述脱硫单元的性能指标包括净化气中H2S和CO2的浓度以及净化气的产量；

步骤S2：采集预设时间的所述工艺参数和所述性能指标的数据，剔除误差样本后形成样本集[X,Y]；

步骤S3：对样本集[X,Y]进行归一化，形成归一化样本集 取所述归一化样本集中前80％的样本作为训练样本，而剩余的20％样本作为测试样本；

步骤S4：基于所述训练样本训练构建神经网络模型并根据模型确定初始状态变量X，将所述训练样本中的 作为所述神经网络模型的输入，将所述训练样本中的 作为所述神经网络模型的输出；

其中，所述神经网络模型为：

其中，Ik为所述训练样本的矢量样本值，并作为所述神经网络模型的输入， 为网络输入层到隐含层的神经元的连接权值， 为网络输入层到所述隐含层的神经元的阈值， 为所述隐含层到网络输出层的神经元的连接权值， 为所述隐含层到所述网络输出层的神经元的阈值，其中，i＝1，2…S1；j＝1，2…S2；k＝1，2…S2；S0为所述网络输入层的神经元的数量，S1为所述隐含层的神经元的数量，S2为所述网络输出层的神经元的数量；

所述初始状态变量为：

步骤S5：利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；其中，所述步骤S5包括：步骤S51：针对粒子滤波器设置粒子的数目N，对 进行抽样，得到初始粒子集并将所述初始粒子集中的每个粒子 的权值均设为1/N；

其中， 表示以x0为均值、P0为方差的正态分布采样；

步骤S52：在获取k+1时刻的观测变量值 后，利用ST-UKFNN算法对每个粒子 进行k+1时刻的状态估计，得到最优状态估计值 和协方差步骤S53：将所述最优状态估计值 和初始化后的协方差 作为粒子的重要性密度函数进 行抽样 ，得 到新粒子 由所 有新粒子 组 成的粒子 集中的每个新粒子 的正态分布概率密度值如下：

其中，rand为正态分布随机误差；

正态分布密度函数：

其中，N为每个新粒子 的正态分布，x、μ、σ分别为正态分布的三个变量，p为每个新粒子 的条件概率；

步骤S54：对新粒子 的权值进行更新，并进行归一化处理；其中，权值更新公式为：

权值归一化公式为：

步骤S55：根据新粒子归一化处理后的权值和重采样策略对粒子集进行重采样，获取新粒子集 并求取新粒子集

中每个新粒子 的状态估计值

设变量u，令 取u1∈(0,1)

步骤S56：以粒子的数目N作为循环次数循环步骤S51-步骤S55的计算过程，将最后一次估计得到的最优状态变量作为利用ST-UPFNN算法估计所述神经网络模型的最优状态变量；

其中，将新粒子 的状态估计值 作为本时刻的最优估计赋给 进行下一时刻的状态估计；

步骤S6：将所述最优状态变量作为所述神经网络模型的 和 对式(1)进行更新，获得权值阈值更新后的神经网络模型；

步骤S7：将所述测试样本中的 输入到更新后的神经网络模型，得到预测结果，将所述预测结果与所述测试样本中的实际输出 进行比较，如果比较结果小于预设误差值，所构建的神经网络模型有效；否则重复上述步骤S1-S7，直至所述比较结果小于所述预设误差值为止。

2.如权利要求1所述的基于ST-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法，其中，利用ST-UKFNN算法对每个粒子 进行状态估计的过程，包括：步骤S521：对所述初始状态变量X进行Sigma采样，获得2n+1个采样点，初始化控制2n+1个采样点的分布状态参数α、待选参数κ，以及非负权系数 对所述初始状态变量X的Sigma采样如下：步骤S522：计算每个采样点的权重，每个采样点的权重如下：其中，Wc为计算状态变量的协方差的权重，Wm为计算状态估计和观测预测时的权重，是 的第一列， 是 的第一列；

步骤S523：通过离散时间非线性系统的状态方程将每个采样点的k时刻的最优状态变量的状态估计变换为k+1时刻的状态变量的状态估计 并通过合并k+1时刻的状态估计的向量，获得k+1时刻的状态变量的状态先验估计 和协方差Pk+1|k；其中，所述状态估计 为：其中， 表示k时刻的最优估计，wk为过程噪声，其协方差矩阵Qk为cov(wk,wj)＝Qkδkj，所述状态先验估计 为：所述状态变量的协方差Pk+1|k为：

步骤S524：通过离散时间非线性系统的观测方程将获得的k+1时刻的状态变量的状态估计 与k+1时刻的观测预测 建立联系：其中，νk为观测噪声，其协方差矩阵Rk为cov(vk,vj)＝Rkδkj，步骤S525：通过估计k+1时刻的观测预测 的向量，获得k+1时刻的先验观测预测并根据先验观测预测 估计k+1时刻观测预测的协方差k+1时刻的观测预测 为：

k+1时刻观测预测的协方差 为：

其中，

Nk+1＝Vk+1-βRk+1               (21)其中，β为弱化因子，β≥1；

步骤S526：计算k+1时刻的状态变量的状态先验估计 与k+1时刻的先验观测预测之间的协方差 所述协方差 为：步骤S527：通过建立协方差 和协方差 的关系，更新k+1时刻的状态变量的状态估计和协方差，分别获得k+1时刻的最优状态估计值 和协方差

3.如权利要求2所述的基于ST-UPFNN算法的高含硫天然气净化工艺的动态演化建模方法，其中，S527建立的协方差 和协方差 的关系为：其中，Kk+1为增益矩阵；以及，

更新后的k+1时刻的状态变量的最优状态估计 为：

更新后的k+1时刻的状态变量的协方差Pk+1为：

将更新后的k+1时刻的最优状态变量的状态估计 和协方差Pk+1分别作为k+1时刻的最优状态估计值 和协方差