1.一种基于PSO算法的青少年体成分预测方法，其特征在于：利用PSO算法加权马氏距离并结合聚类方法，完成对青少年体成分的预测，包括如下步骤：(1)建立青少年体成分聚类模型，并利用青少年体成分聚类模型对体成分数据进行预处理；

(2)利用PSO算法加权马氏距离，采用加权相异度距离和适应度函数计算体成分数据簇；并以簇首体成分数据作为体成分数据簇的代表数据；

(3)计算待预测体成分数据与簇首体成分数据的隶属度值，并以隶属度值作为预测体成分数据的权值；

(4)利用簇首体成分数据和隶属度值计算的预测权值完成对青少年体成分的最终预测。

2.根据权利要求1所述的一种基于PSO算法的青少年体成分预测方法，其特征在于，所述步骤(1)的具体步骤如下：(1.1)建立青少年体成分聚类模型，其中模型参数包括性别、年龄、身高、体重、体脂肪量、身体水分量、肌肉量、蛋白质、无机盐、体脂肪率、身体质量指数；

(1.2)对体成分数据进行预处理，预处理操作包括缺失值处理、噪声处理、属性转化处理；其中，体成分数据从体成分测量设备中获取。

3.根据权利要求2所述的一种基于PSO算法的青少年体成分预测方法，其特征在于，所述步骤(1.2)具体如下：(1.2.1)缺失值处理：利用一种平均比值加权法对体成分数据进行处理，计算方法如下公式(1)所示；

其中，m表示样本数目；n表示聚类模型维度；vkl表示第k条数据第l维度的属性取值；该方法充分考虑各个属性之间的联系，可以平滑地填补缺失值；

(1.2.1)噪声处理：噪声是指样本数据中某个维度的属性数值偏差过大，从而影响估算结果的数据，对于该数据，采取公式(1)进行平滑处理；

(1.2.3)属性转化；采用无序离散属性进行数值提取，对应有序离散属性按男女分开处理；若发现从体成分测量设备获取的数据有空缺数据、负数数据时，则将该数据进行剔除；

当数据出现肌肉量接近体重情况时，则将这些数据使用公式(1)进行处理。

4.根据权利要求1所述的一种基于PSO算法的青少年体成分预测方法，其特征在于，所述步骤(2)还包括定义体成分之间的相异度距离、PSO算法优化相异度距离权值、定义适应度函数筛选权值，其中，定义体成分之间的相异度距离如下：马氏距离定义相异度距离；利用马氏距离将人体成分特性参数记为向量X＝(x1,x2,x3,....,xn)，其中n表示人体成分特性参数的维度；各个人体成分特性参数在所有训练样本的均值如下：μ＝(μ1,μ2,μ3,.....,μn)

人体成分特性参数xi与xj之间的协方差定义如公式(2)所示：

人体成分特性参数作为多维的列向量，其协方差矩阵定义如公式(3)所示：

假设两个人体成分的特性参数向量为A＝(a1,a2.,a3,....,an)和B＝(b1,b2,b3,.....,bn)，则这两个人体成分之间的相异度定义如公式(4)所示：其中，w表示斜对角矩阵形式的权重因子；∑表示人体成分特性参数在样本总体维度为n×n的协方差矩阵。

5.根据权利要求4所述的一种基于PSO算法的青少年体成分预测方法，其特征在于：所述的PSO算法优化相异度距离权值如下：PSO算法优化相异度距离权值；PSO算法将每个优化求解问题的潜在解记为一个形式为d维向量的粒子，所有粒子的优劣都被同一个适应度函数所决定；此外，每个粒子都有一个速度，每个粒子根据当前粒子的最优解和整个种群的最优解来决定自己所要“飞行”的方向和速度；这种个体行为和种群全局行为相互作用下，粒子群在整个解空间里寻找最优解；其中基本的PSO算法的优化权重公式如公式(5)和公式(6)所示：其中， 表示编号为k的粒子在时间t的速度； 表示编号为k的粒子在时间t的解向量；w代表惯性因子；c1和c2代表学习因子参数；rand()代表0-1之间的随机数；pbestk表示粒子k在当前解空间找到的最优解；gbest表示种群的解空间找到的最优解；presentk表示粒子k当前的解；

其中适应度函数以公式(5)与公式(6)作为迭代计算公式，反复迭代直到符合收敛条件，具体收敛条件如公式(7)所示：f(gbestt)-f(gbestt-1)|＜ε(7)

其中，gbestt表示在t次迭代后的全局最优解；f(gbestt)表示该最优解相应的适应度函数求值；ε表示自定义的一个较小的数。

6.根据权利要求4所述的一种基于PSO算法的青少年体成分预测方法，其特征在于：所述的定义适应度函数筛选权值如下：适应度函数优化权值；在人体成分预测方法中，将平均相对误差作为判定方法好坏的标准；其中预测数据值与实际值之间的相似程度可通过公式(8)计算得到，通过相似度值即可通过公式(9)计算得到所有测试数据的平均误差值；

其中，u1表示人体成分数据u1； 表示人体成分u1在第i维度人体成分影响特性参数的取值；其中u2表示人体成分u2； 表示人体成分u2在第i维度体成分影响特性参数的取值；

表示国家标准的人体成分u3在第i维度人体成分影响特性参数的取值；

其中，n表示数据集中人体成分的测试数据的总数；Similarityi表示第i个的人体成分预测值和实际值之间的相似度；Pred表示n个人体成分预测值和实际值之间误差的平均值。

7.根据权利要求1所述的一种基于PSO算法的青少年体成分预测方法，其特征在于：所述的体成分数据簇与簇首通过数据聚类得到，数据聚类：假设人体成分样本集合D＝{x1,x2,x3,....,xm}中一共有m个人体成分样本数据，聚类方法的目标是将这m个人体成分样本数据划分为k个不同的簇{Ci|l＝1,2,3,....,k}，其中m>k；同时规定同一个人体成分样本归属于一个簇内，其中，集合的簇首λ＝{λ1,λ2,λ3,.....,λk}，簇首数据是簇内所有人体成分样本向量的平均值。

8.根据权利要求1所述的一种基于PSO算法的青少年体成分预测方法，其特征在于：所述步骤(3)待预测体成分数据与簇首体成分数据的隶属度值采用如下公式(10)进行计算：其中，n表示簇首的数量；i表示第i个待预测人体成分数据；j表示第j个簇首数据；dij表示第i个待预测人体成分数据与第j个簇首数据的相异度距离；m为2；Uij表示第i个人体成分数据与第j个簇首数据的隶属度。

9.根据权利要求1所述的一种基于PSO算法的青少年体成分预测方法，其特征在于：所述步骤(4)的预测权重为通过利用簇首体成分数据和隶属度值计算的乘积，从而完成对青少年体成分的最终预测。