1.基于加权基分类器的stacking集成污水处理故障诊断方法，其特征在于，包括以下步骤：

1)原始污水数据中某些样本在某些属性上存在缺失值，对这些样本采用均值法补全其缺失值，并将所有属性值归一化到[0,1]区间；

2)利用步骤1)中处理好的完整的污水样本作为Stacking两层学习框架中的第一层基分类器的原始输入，其中基分类器选择支持向量机SVM、加权极限学习机WELM和相关向量机RVM，分别对3个基分类器进行3折交叉验证，得到第一层学习对每个污水样本的诊断结果，即3个基分类器对于每个污水样本在4个类别上的输出值，并且得到3个基分类器对于训练样本的G-mean值；

3)根据步骤2)中得到的G-mean值，定义基于G-mean值的基分类器输出权值计算公式，获得基分类器hi(x)对应的输出权值αi；

4)将步骤2)中的输出结果转化为概率型输出，即得到了每个原始污水样本分别属于4个类别的概率值，利用每个样本属于4个类别的概率值乘以在步骤3)中获得的基分类器的权值αi，加上原始的类别标签，构造成新的训练集，称为元训练集；

5)用步骤4)得到的元训练集作为Stacking两层学习框架中第二层元分类器的输入，其中选择WELM作为第二层的元分类器，得到最终的诊断模型Mstacking；

6)用步骤1)相同的方法填补污水待测数据的缺失值，并将其归一化到[0,1]区间，通过第一层基分类器在训练样本D上训练学习产生的模型Mk，K＝1,2,3，分别对应3个基分类器，对处理后的待测数据输出预测结果；

7)对步骤6)中的预测结果用步骤4)相同的方法进行处理，在此基础上构成Mstacking的输入，其输出分类结果即为待测数据对应的故障诊断结果；

8)进行参数寻优，需要寻优的参数有WELM模型的隐层节点数L、最优正则化系数C及RVM模型的核宽度σ，寻优方法为网格法，以寻优得到的最优参数为基础，训练基分类器和元分类器。

2.根据权利要求1所述的基于加权基分类器的stacking集成污水处理故障诊断方法，其特征在于，在步骤2)中，3折交叉验证的具体过程如下：将训练数据集D随机分为3个大小相等的数据集D1，D2，D3；定义Dj和D-j＝D-Dj，j＝1,2,3，分别为3折交叉验证的第j折测试集和训练集；在训练集D-j上训练基分类器得到模型k＝1,2,3，对于测试集Dj中的每一个样本，模型 会输出一个预测结果；当交叉验证过程结束，则能够得到基分类器对于整个训练样本的输出结果。

3.根据权利要求1所述的基于加权基分类器的stacking集成污水处理故障诊断方法，其特征在于，在步骤3)中，基分类器hi(x)输出权值αi表示为：其中，GMi为第i个基分类器对于训练样本集的G-mean值，c为基分类器个数。

4.根据权利要求1所述的基于加权基分类器的stacking集成污水处理故障诊断方法，其特征在于，所述步骤4)包括以下步骤：

4.1)基分类器WELM的输出为数值输出，通过下述公式将数值输出转化为概率形式：

其中，x为某一样本，i为类别标签，m为类别个数，fi(x)为该样本属于标签i的原始输出，pi(x)为该样本属于标签i的概率型输出；通过此方法将基分类器WELM原输出结果A1转化为概率型输出结果A1'；

4.2)SVM和RVM的基本模型是针对二分类问题的，其输出为硬判决输出，即对于一个样本的预测结果为0和1；在此，基分类器SVM和RVM是利用一对一策略构建的多分类器，通过下述公式将硬判决输出转化为概率形式：其中，x为某一样本，i为类别标签，m为类别个数，fi(x)为该样本属于标签i的原始输出，pi(x)为该样本属于标签i的概率型输出；通过此方法将基分类器SVM和RVM原输出结果A2，A3转化为概率型输出结果A2'，A3'；

4.3)将A1'，A2'，A3'和训练集标签拼接起来构造成新的训练集，即[A1'*α1 A2'*α2 A3'*α3 train_label]，也称为元训练集，其中，train_label为原始训练样本类别标签。

5.根据权利要求1所述的基于加权基分类器的stacking集成污水处理故障诊断方法，其特征在于，在步骤8)中，基分类器及元分类器的网格法寻优参数具体如下：寻找隐层节点数L、最优正则化系数C及RVM模型的核宽度σ的参数组合以满足算法的最优性能，L的寻优范围为{10,15,20,…,500}，步长为5；C的寻优范围为{20,21,…,218}，步长为1；σ的寻优范围为{2-2.5,2-2.4,…,22.5}，步长为0.1。