1.共享直饮水水质自适应动态自学习在线监测方法，其特征在于：包括以下步骤：S110根据恒定水箱内水质的影响的控制参数，建立神经网络输入样本集；

S120根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集；

S130将输入样本集和输出样本集进行归一化处理，获得归一化样本集；

S140根据所述归一化样本集构建三层的BP神经网络模型；

S150根据所述三层BP神经网络，运用UKF算法进行网络权值阈值动态调整；

S160对云端服务器上积累的海量数据，利用UKFNN算法进行建模，获取神经网络参数；

S170对实时变化的恒定水箱内水质的影响因素实现实时预测；根据恒定水箱水质实时预测，实现共享直饮水水质自适应动态自学习在线监测；所述恒定水箱内影响水质的控制参数包括，确定影响水箱内水质的影响因素，该影响因素包括：直饮水机滤芯性能、地区ID号码、直饮水机累计用水量、水箱内水温历史温度实时数据、实时水箱出水口处开关状态；

根据实时测量的恒定水箱内水质指标，建立神经网络输出样本集，包括：通过定期质检员巡检，抽取水箱内饮用水水样进行水质指标检测并实时传输到云端服务器，即获得神经网络输出样本集；

在所述步骤S150，

三层BP神经网络包括(M-s1-l)的拓扑结构，隐含层激发函数为s型函数，输出层为线性函数；输入层神经元数为M个，隐含层节点数由经验公式 所得，M,s1,l分别表示表输入层、隐含层、输出层的神经元个数，α为1-10的常数，输出层节点数为4个，则建立初始模型为：其中， 分别代表输入层与隐含层的连接权值、隐含层和输出层的连接权值、隐含层阈值，输出层阈值； 表示归一化的样本，i,j均为变量下标；函数f()为S型函数；

利用UKFNN算法对云端服务器存储的海量数据进行建模，获取神经网络参数具体包括以下子步骤：第 一 步 ：设 B P 神 经 网 络 ，输 入 层 至 隐 含 层 神 经 元 的 连 接 权 值阈值为 隐含层至输出层的连接权值阈值为 则UKF神经网络中所有权值和阈值组成

的状态矩阵I为：

设I中的个数为n个值；设定非线性方程：

Ik表示k时刻状态变量，Ik+1表示(k+1)时刻状态变量，ωk,νk, 分别表示观测噪声，测量非线性方程，测量噪声；

其中，Xk为k时刻的神经网络输入样本；令ωk＝0，vk＝0，Yk为神经网络输出样本；

第二步：设定UKF计算过程中控制采样点的分布状态参数a、待选参数κ；

第三步：计算2n+1个σ点以及σ点的相应权重，其中，n为状态矩阵I的维度，λ＝a2(n+κ)-n；σ表示sigma采样点，λ为缩放比例参数；

第四步：计算σ点的一步状态预测 及状态变量协方差Pk+1|k；

第五步：计算输出的一步提前预测以及协方差

第六步：进行滤波更新获取新的状态矩阵、协方差矩阵、增益矩阵；

第七步：对获取的新样本数据重新进行第二步至第六步，直至所有样本对状态矩阵、协方差矩阵、增益矩阵进行了更新；

第八步：对最后一组样本得到状态矩阵I作为前馈神经网络训练得到的权值和阈值；

第九步：根据获得网络参数各层权值、阈值，利用UKF神经网络构建的函数模型。

2.根据权利要求1所述的共享直饮水水质自适应动态自学习在线监测方法，其特征在于：所述步骤S120后还包括预处理步骤，所述预处理步骤具体为：将构建的建模输入样本集进行主元提取，并获得新样本集。

3.根据权利要求2所述的共享直饮水水质自适应动态自学习在线监测方法，其特征在于：利用主元分析算法对状态变量X进行主元提取，构建新的状态变量X′＝{xz1,xz2,…,xzm}，X′为m个状态主元分量，每个状态主元分量的维度与输入中的训练样本的数量相同。

4.根据权利要求1所述的共享直饮水水质自适应动态自学习在线监测方法，其特征在于：所述步骤S150中，动态调整权值阈值算法流程如下：

1)对所述状态矩阵I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β，对状态矩阵I的Sigma采样如下：其中， 为(k-1)时刻的最优状态变量估计的第i列，n为状态矩阵维度，pk-1为(k-1)时刻的最优状态变量的协方差,Ik-1为(K-1)时刻的状态变量，λ为缩放比例参数；

2)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；

3)通过离散时间非线性系统的状态方程将每个采样点的(k-1)时刻的最优状态变量的状态估计变换为k时刻的状态变量的状态估计 并通过合并k时刻的状态估计 的向量，获得k时刻的状态变量的状态先验估计 和协方差Pk|k-1；其中，所述状态估计 为：

F()表示状态方程

其中，wk的协方差矩阵Qk为cov(ωk,ωj)＝Qkδkj， wj表示状态噪声，cov(ωk,ωj)表示状态噪声协方差；

所述状态先验估计 为：

所述状态变量的协方差Pk|k-1为：

4)通过离散时间非线性系统的观测方程建立k时刻的状态变量的状态估计 和k时刻的观测预测估计 之间的联系以完成观测预测，并估计k时刻的观测预测的协方差所述k时刻的观测预测估计 为：最终状态变量估计为：

其中，νk的协方差矩阵Rk为cov(vk,vj)＝Rkδkj， vj表示测量噪声；g(),f()分别表示神经网络输出层激发函数，隐含层激发函数；

所述k时刻的观测预测的协方差 为：

5)计算k时刻的状态变量和观测预测之间的协方差Pxy,k：

6)通过建立协方差Pxy,k和协方差 的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量；

7)将获得的k时刻的最优状态变量代入步骤1)重新进行sigma采样，循环步骤1)-6)，获得所述神经网络模型的最优状态变量；

其中，步骤6)中的通过建立协方差Pxy,k和协方差 的关系，更新k时刻的状态变量的状态估计和协方差，获得k时刻的最优状态变量，其中，Kk为增益矩阵，以此实现更新k时刻的最优状态变量的状态估计和更新k时刻的状态变量的协方差Pk；

更新后的k时刻的最优状态变量的状态估计Ik|k为：更新后的k时刻的状态变量的协方差Pk为：

将更新后的k时刻的状态变量的状态估计Ik和协方差Pk作为k时刻的最优状态变量。