1.基于长短时记忆网络的水泥成品比表面积预测方法，其特征在于，包括：

获取训练输入集和训练输出集；所述训练输入集包括多个时刻的训练输入数据；所述训练输出集包括多个时刻的训练输出数据；一个时刻的训练输入数据对应一个时刻的训练输出数据；所述训练输入数据包括辊压机挡板开度、喂料量、选粉机电流、选粉机转速、循环风机挡板开度、循环风机变频反馈、水泥磨主机电流和出磨提升机电流；所述训练输出数据为水泥成品比表面积实际值；

对所述训练输入集中的训练输入数据按照时间序列进行排序，得到排序后的训练输入集；

将所述排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，得到各个时刻的水泥成品比表面积预测值；所述长短时记忆网络模型包括输入层、隐含层和输出层；所述隐含层包括多个神经元；每个所述神经元包均由遗忘门、输入门和输出门组成；一个所述神经元对应一组待训练参量；所述待训练参量包括遗忘门权重、遗忘门偏置、输入门权重、输入门偏置、输出门权重和输出门偏置；

依据所述训练输出集和所述水泥成品比表面积预测值，采用基于时间的反向传播算法计算每个所述神经元的节点误差项；所述节点误差项包括遗忘门误差项、输入们误差项和输出门误差项；

依据所述节点误差项，采用随机梯度下降法对所述待训练参量进行训练，得到训练好的长短时记忆网络模型；

将待测试输入集输入到所述训练好的长短时记忆网络模型中，得到待测试的水泥成品比表面积预测值。

2.根据权利要求1所述的基于长短时记忆网络的水泥成品比表面积预测方法，其特征在于，所述将所述排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，得到各个时刻的水泥成品比表面积预测值，具体包括：将所述排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，由遗忘门输出结果和输入门输出结果确定细胞记忆值Ct＝Ct-1⊙ft+it⊙ct'，

其中，Ct表示第t时刻的细胞记忆值，Ct-1表示第t-1时刻的细胞记忆值，it⊙ct′表示第t时刻的输入门输出结果，it表示第t时刻的输入门中第一函数输出结果，ct′表示第t时刻的输入门中第二函数输出结果，ft表示第t时刻的遗忘门输出结果，ft＝σ(Wf[ht-1,xt]+bf)，σ表示sigmoid激活函数，Wf表示遗忘门权重，[ht-1,xt]表示第t-1时刻的隐含层将前一时刻隐含层状态ht-1和第t时刻对应的训练输入数据xt连接成的向量，bf为遗忘门偏置；

由所述细胞记忆值和输出门输出结果确定隐含层输出结果

ht＝ot⊙tanh(Ct)，

ht为第t时刻的隐含层输出结果，ot为第t时刻的输出门输出结果，ot＝σ(Wo[ht-1,xt]+bo)，Wo表示输出门权重，bo为输出门偏置；

将所述隐含层输出结果作为输出层的输入，得到各个时刻的水泥成品比表面积预测值为第t时刻的水泥成品比表面积预测值，V为输出层权重，c为输出层偏置。

3.根据权利要求1所述的基于长短时记忆网络的水泥成品比表面积预测方法，其特征在于，所述依据所述节点误差项，采用随机梯度下降法对所述待训练参量进行训练，得到训练好的长短时记忆网络模型，具体包括：判断t-1时刻的总体误差值是否小于设定阈值；所述总体误差值包括沿时间反向传播误差值和向上一层传播误差值；

若是，则将t-1时刻对应的待训练参量确定为最优参量，并根据所述最优参量得到训练好的长短时记忆网络模型；

若否，则依据t时刻的节点误差项，采用随机梯度下降法，对t-1时刻对应的待训练参量进行更新，并将更新后的待训练参量作为t时刻对应的待训练参量，再令t加1，返回所述判断t-1时刻的总体误差值是否小于设定阈值。

4.根据权利要求1所述的基于长短时记忆网络的水泥成品比表面积预测方法，其特征在于，所述依据所述训练输出集和所述水泥成品比表面积预测值，采用基于时间的反向传播算法计算每个所述神经元的节点误差项，具体包括：确定损失函数

L为损失函数， 为第j时刻的水泥成品比表面积预测值，yj为训练输出集中第j时刻的水泥成品比表面积实际值；

计算总体误差值

δt为第t时刻的总体误差值，ht为第t时刻的隐含层输出结果；

依据所述总体误差值、细胞记忆值、输入门输出结果、遗忘门输出结果和输出门输出结果，计算节点误差项其中，δo,t为第t时刻的输出门误差项，δf,t为第t时刻的遗忘门误差项，δi,t为第t时刻的输入门中第一函数误差项，δc′,t为第t时刻的输入门中第二函数误差项，T表示转置，Ct表示第t时刻的细胞记忆值，Ct-1表示第t-1时刻的细胞记忆值，ot为第t时刻的输出门输出结果，ft表示第t时刻的遗忘门输出结果，it表示第t时刻的输入门中第一函数输出结果，ct′表示第t时刻的输入门中第二函数输出结果。

5.根据权利要求1所述的基于长短时记忆网络的水泥成品比表面积预测方法，其特征在于，在所述对所述训练输入集中的训练输入数据按照时间序列进行排序，得到排序后的训练输入集之后，还包括：对所述排序后的训练输入集进行归一化处理，得到归一化后的训练输入集。

6.基于长短时记忆网络的水泥成品比表面积预测系统，其特征在于，包括：

数据获取模块，用于获取训练输入集和训练输出集；所述训练输入集包括多个时刻的训练输入数据；所述训练输出集包括多个时刻的训练输出数据；一个时刻的训练输入数据对应一个时刻的训练输出数据；所述训练输入数据包括辊压机挡板开度、喂料量、选粉机电流、选粉机转速、循环风机挡板开度、循环风机变频反馈、水泥磨主机电流和出磨提升机电流；所述训练输出数据为水泥成品比表面积实际值；

排序模块，用于对所述训练输入集中的训练输入数据按照时间序列进行排序，得到排序后的训练输入集；

预测值获取模块，用于将所述排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，得到各个时刻的水泥成品比表面积预测值；所述长短时记忆网络模型包括输入层、隐含层和输出层；所述隐含层包括多个神经元；每个所述神经元包均由遗忘门、输入门和输出门组成；一个所述神经元对应一组待训练参量；所述待训练参量包括遗忘门权重、遗忘门偏置、输入门权重、输入门偏置、输出门权重和输出门偏置；

误差项计算模块，用于依据所述训练输出集和所述水泥成品比表面积预测值，采用基于时间的反向传播算法计算每个所述神经元的节点误差项；所述节点误差项包括遗忘门误差项、输入们误差项和输出门误差项；

训练模块，用于依据所述节点误差项，采用随机梯度下降法对所述待训练参量进行训练，得到训练好的长短时记忆网络模型；

预测模块，用于将待测试输入集输入到所述训练好的长短时记忆网络模型中，得到待测试的水泥成品比表面积预测值。

7.根据权利要求6所述的基于长短时记忆网络的水泥成品比表面积预测系统，其特征在于，所述预测值获取模块，具体包括：细胞记忆值确定单元，用于将所述排序后的训练输入集输入到预先构建好的长短时记忆网络模型中，由遗忘门输出结果和输入门输出结果确定细胞记忆值Ct＝Ct-1⊙ft+it⊙ct'，

其中，Ct表示第t时刻的细胞记忆值，Ct-1表示第t-1时刻的细胞记忆值，it⊙ct′表示第t时刻的输入门输出结果，it表示第t时刻的输入门中第一函数输出结果，ct′表示第t时刻的输入门中第二函数输出结果，ft表示第t时刻的遗忘门输出结果，ft＝σ(Wf[ht-1,xt]+bf)，σ表示sigmoid激活函数，Wf表示遗忘门权重，[ht-1,xt]表示第t-1时刻的隐含层将前一时刻隐含层状态ht-1和第t时刻对应的训练输入数据xt连接成的向量，bf为遗忘门偏置；

由所述细胞记忆值和输出门输出结果确定隐含层输出结果

ht＝ot⊙tanh(Ct)，

ht为第t时刻的隐含层输出结果，ot为第t时刻的输出门输出结果，ot＝σ(Wo[ht-1,xt]+bo)，Wo表示输出门权重，bo为输出门偏置；

预测值确定单元，用于将所述隐含层输出结果作为输出层的输入，得到各个时刻的水泥成品比表面积预测值为第t时刻的水泥成品比表面积预测值，V为输出层权重，c为输出层偏置。

8.根据权利要求6所述的基于长短时记忆网络的水泥成品比表面积预测系统，其特征在于，所述训练模块，具体包括：判断单元，用于判断t-1时刻的总体误差值是否小于设定阈值；所述总体误差值包括沿时间反向传播误差值和向上一层传播误差值；

模型确定单元，用于若t-1时刻的总体误差值小于设定阈值，则将t-1时刻对应的待训练参量确定为最优参量，并根据所述最优参量得到训练好的长短时记忆网络模型；

更新单元，用于若t-1时刻的总体误差值不小于设定阈值，则依据t时刻的节点误差项，采用随机梯度下降法，对t-1时刻对应的待训练参量进行更新，并将更新后的待训练参量作为t时刻对应的待训练参量，再令t加1，返回所述判断单元。

9.根据权利要求6所述的基于长短时记忆网络的水泥成品比表面积预测系统，其特征在于，所述误差项计算模块，具体包括：损失函数确定单元，用于确定损失函数

L为损失函数， 为第j时刻的水泥成品比表面积预测值，yj为训练输出集中第j时刻的水泥成品比表面积实际值；

总体误差计算单元，用于计算总体误差值

δt为第t时刻的总体误差值，ht为第t时刻的隐含层输出结果；

节点误差计算单元，用于依据所述总体误差值、细胞记忆值、输入门输出结果、遗忘门输出结果和输出门输出结果，计算节点误差项其中，δo,t为第t时刻的输出门误差项，δf,t为第t时刻的遗忘门误差项，δi,t为第t时刻的输入门中第一函数误差项，δc′,t为第t时刻的输入门中第二函数误差项，T表示转置，Ct表示第t时刻的细胞记忆值，Ct-1表示第t-1时刻的细胞记忆值，ot为第t时刻的输出门输出结果，ft表示第t时刻的遗忘门输出结果，it表示第t时刻的输入门中第一函数输出结果，ct′表示第t时刻的输入门中第二函数输出结果。

10.根据权利要求6所述的基于长短时记忆网络的水泥成品比表面积预测系统，其特征在于，还包括：归一化模块，用于对所述排序后的训练输入集进行归一化处理，得到归一化后的训练输入集。