1.一种基于BP(BackPropagation)神经网络的飞灰含碳量在线测量方法，其特征在于：步骤1：基于静电传感器，构建以输入为信号能量、飞灰样本浓度，输出为飞灰含碳量的

3层BP神经网络模型，采用训练样本，进行BP神经网络在线参数训练；

所述步骤1的3层BP神经网络模型构建包括以下步骤：步骤1.1：当飞灰样本温度T一定，飞灰流经风粉管道时，基于静电传感器所采集的交流静电信号能量与飞灰样本浓度、含碳量呈非线性关系，现有m种含碳量分别为c1,c2,…,cm的飞灰样本，记ci为第i种飞灰样本的含碳量，i＝1,2,…,m，现有n种入料口阀门开度，分别对应n种飞灰样本浓度N1,N2,…,Nn，记Nj为第j种阀门开度对应的管道内样本浓度，j＝1,

2,…,n，在飞灰样本温度T一定情况下，对于流经风粉管道的含碳量为ci、浓度为Nj的飞灰样本，基于静电传感器采集一段时间的交流静电信号序列，记为其中 表示飞灰样本浓度为Nj、含碳量为ci时，第k个采集的静电信号值，K为该段时间内采集静电信号的最大次数，求信号能量记为f(ci,Nj)，表示飞灰样本浓度为Nj、含碳量为ci的信号能量值， 经实验验证，信号能量与飞灰样本浓度、含碳量呈非线性关系；

步骤1.2：构建输入为信号能量、浓度，输出为飞灰含碳量，隐含层节点数为6的三层BP神经网络，其输入层层数IN＝2，输出层层层数ON＝1，隐含层层数HN＝6，隐含层、输出层均采用S型函数；记Wih为第i输入层到第h隐含层的权值，i＝1,…,IN；h＝1,2,…,HN；Who为第h隐含层到第o输出层的权值，o＝1,…,ON；bh为隐含层各神经元阈值；bo为输出层各神经元阈值，初始化网络参数Wih、Who、bh、bo，设置学习率η，最大迭代次数为R，可接受误差ε，输入大量归一化处理后的训练样本，记训练样本数量为M；

步骤1.3：对于第j个训练样本，其中j＝1,2,…,M，输入样本经隐含层、输出层正向传播得到网络输出，记为xo(j)，其目标输出为to(j)，产生误差函数，记为e(j)，其中步骤1.4：误差e(j)反向传输，修改网络参数Wih、Who、bh、bo；

步骤1.5：计算全局误差E，

步骤1.6：若全局误差E＜ε或达到最大迭代次数R，训练完成，保存网络参数，否则j＝j+

1，跳转至步骤1.3，步骤1.3到步骤1.6的参数训练方法称为梯度下降法；

步骤2：采用遗传算法Genetic Algorithm对BP神经网络进行优化，以得到BP神经网络参数的全局最优解；

步骤3：将Genetic Algorithm优化BP神经网络算法移植至DSP中，进行在线参数训练，并基于静电传感器实时采集未知含碳量的飞灰样本的静电信号序列、浓度，归一化处理后作为预测输入，进行飞灰含碳量的在线预测；

所述步骤1.1是通过改变管道入料口的阀门开度以改变管道内飞灰样本的浓度，阀门开度固定，飞灰样本浓度固定；

所述步骤3具体包括以下步骤：

步骤3.1：对于待测未知含碳量的飞灰样本，设其含碳量为cp，固定阀门开度，即管道飞灰浓度一定，记为Nq，其中q∈(1,2,…,n)，采集一段时间的交流静电信号序列 其中k＝1,2,…,K，求信号能量值f(cp,Nq)，步骤3.2：信号能量f(cp,Nq)、浓度Nq归一化处理后作为预测输入，经预测函数即可输出飞灰含碳量的测量值，即cp。

2.根据权利要求1所述的一种基于BP神经网络的飞灰含碳量在线测量方法，其特征在于，步骤1.1是利用静电传感器检测到的微弱电信号，经放大、滤波调理电路，信号采集电路得到交流电信号序列

3.根据权利要求1所述的一种基于BP神经网络的飞灰含碳量在线测量方法，其特征在于，所述步骤2具体包括以下步骤：

步骤2.1：采用浮点编码方式，初始化进化代数t为t＝0，设置最大进化代数，记作T，随机生成H个个体作为初始种群，记为P(0)，个体的长度记作l，l＝IN×HN+HN×ON+HN+ON；

步骤2.2：个体评价指标适应度函数为fit，其中步骤2.3：第t代种群P(t)经轮盘赌选择法、算术交叉法和非均匀变异法运算后得到下一代种群P(t+1)；

步骤2.4：反复迭代，最大适应度值的个体为参数的最优初始解；

步骤2.5：经步骤1.2—1.6进行梯度下降法训练BP神经网络参数，得到其全局最优解。