1.基于机器学习的直落式物料下料机控制器，其包括信号采集模块、处理模块、神经网络模块、迭代学习模块、存储模块、第一连接阵、第二连接阵和输出模块，所述信号采集模块分别通过下料仓中仓位传感器、计量斗中斗位传感器和承载计量斗的称重模块来实时采集下料仓料位、计量斗料位、下落物料重量的传感信号并传输给处理模块进行数据处理与分析，存储器用于数据保存；

所述神经网络模块采用动态递归Elman神经网络，其输入层分别从处理模块接收下料仓料位、空中落差、落料率、物料密度及下料阀开口孔径5个输入量，输出层的输出量分别通过第一连接阵和第二连接阵传输至迭代学习模块和处理模块；

离线训练所述神经网络时，迭代学习模块根据处理模块和神经网络分别通过第一连接阵输入的物料空中量实际值和网络输出值，调整神经网络的连接权值；

在线控制下料时，第一连接阵断开，神经网络对空中量进行预测并经第二连接阵输出给处理模块，由处理模块处理分析后通过输出模块对下料仓底部开口处的下料阀进行关阀控制。

2.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到计量斗底部开口处的落料阀，并根据处理模块的指令控制落料阀的启闭。

3.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述信号采集模块还通过位于落料阀下方混料斗中的一个料位传感器采集混料斗中的料位，所述输出模块还连接到所述混料斗底部的推板，并根据处理模块的指令控制推板的启闭。

4.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到串在储料仓与下料仓之间的进料泵，并根据处理模块的指令控制进料泵的起停和运转。

5.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到下料仓中仓位传感器的可旋转底座，并根据处理模块的指令控制该底座的运转。

6.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到安装在下料仓侧壁的搅拌器，并根据处理模块的指令控制搅拌器的起停和运转。

7.根据权利要求1所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述输出模块还连接到安装在混料斗中的混料器，并根据处理模块的指令控制混料器的起停。

8.根据权利要求1～7任何一项所述的基于机器学习的直落式物料下料机控制器，其特征在于，所述神经网络的模型为：xck(t)＝xk(t-mod(k，q)-1)，

其中，mod为求余函数，f( )函数取为sigmoid函数；xck(t)为承接层输出，xj(t)为隐含层输出，ui(t-1)和y(t)分别为输入层输入和输出层输出，ωj、ωjk和ωji分别为隐含层到输出层的连接权值、承接层到隐含层的连接权值和输入层到隐含层的连接权值，θ和θj分别为输出层和隐含层阈值；k＝1，2...m，q为所选定的回归延时尺度，根据采样周期和下料速率优选，如可选q＝5；j＝＝1，2...m，i＝1，2...5，隐含层及承接层节点数m可以在11～20之间选择，如优选为16；

所述训练采用梯度下降法。

9.根据权利要求8所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述的下料阀关阀控制，除了空中量预测值，还要对当前累积下料误差进行补偿。

10.根据权利要求9所述的基于机器学习的直落式物料下料机控制器，其特征在于：所述的神经网络模块有多个，每个神经网络模块对应下料机的一个下料阀。