1.一种面向铜矿浮选机的基于神经网络的软测量方法，其特征在于，包括以下步骤：S1：NNG－RBF神经网络学习算法步骤，基于K－均值聚类方法求取基函数中心c；

S2：最优压缩参数的选择及误差预测；

S3：NNG－RBF算法建模；

所述步骤S1具体包括以下步骤：网络初始化：随机选取h个样本作为聚类中心ci(i＝1，2，…，h)；

将输入的训练样本集合按最近邻规则分组：按照xp与中心ci之间的欧式距离将xp分配到输入样本的各个聚类集合vp(p＝1，2，…P)中；

重新调整聚类中心：计算各个聚类集合vp中训练样本的平均值，即新的聚类中心ci，如果新的聚类中心不再发生变化，则所得到的ci即为NNG－RBF神经网络最终的基函数中心，否则再进行将输入的训练样本集合按最近邻规则分组，进行下一轮的中心求解；

求解方差σi，所述NNG－RBF神经网络的函数的基函数为高斯函数，方差σi可如下求解：式中，cmax是所选取中心之间的最大距离；

计算隐含层与输出层之间的权值，隐含层至输出层之间神经元的连接权值可以用最小二乘法直接计算得到：

将该RBF神经网络，结合Nonnegative garrote(NNG)算法，通过增加新的系数β(β1,β2,…,βp)重新制定计算公式，利用新增系数β(β1,β2,…,βp)压缩输入变量：对于最优s的选择用V折交叉验证，数据集L＝X，Y被划分为V个子集，在约束条件下对{βi}极小化：

并将 作为新的输入变量权重系数；βi的取值取决于s，s为额外加入的NNG算法参数；

所述步骤S2具体包括以下步骤：变量选择的目的就是要找到对y影响较大的辅助变量，由辅助变量对y可能出现的情况进行预测；建模精度评价指标：采用均方误差(MSE)评估模型预测精度；数学公式表示为：v－fold交叉验证法首先是把数据集平均分为V份，每次从V份数据集中拿出一份数据集作为验证集，剩下的V－1份数据集作为训练集，重复进行V次，最后平均V次的结果作为最后泛化误差的估计；当V取值较小时由于参与训练的样本数据减少会导致预测误差的增大；

公式如下：

通过公式(6)选择最优的NNG算法参数s，并将s值代入公式(4)求解，得到系统最优压缩*

系数β；

所述步骤S3具体包括以下步骤：通过v－fold交叉验证法对数据进行处理后，得到的s即为训练得到的参数，通过ci的值剔除对预测模型没有任何影响的变量，选取最优变量，把输入变量带入到已训练好的神经网络中建模预测。

2.一种面向铜矿浮选机的基于神经网络的软测量系统，其特征在于，它包括电源模块、主控模块和通信模块，所述的主控模块连接所述的电源模块和通信模块，所述的通信模块还连接有现场采集模块和上位机模块；

所述的主控模块内集成有NNG－RBF算法的数学建模模块；

所述的现场采集模块包括有：

SWINGWIRLⅡ电容式涡街流量传感器；

CLHGM－2型轮辐式称重传感器；

TCD128C－CCD图像传感器；

所述的主控模块为基于STM32F103的嵌入式系统。