1.一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法，其特征在于，包括如下所示步骤：步骤(1)：先确定软测量模型的输入变量，具体由污水进站，曝气池，和沉淀池这三个污水处理环节的测量变量组成；其中，污水进站的测量变量依次包括：入水流量，入水温度，入水色度，入水氯离子浓度，入水悬浮物浓度，入水PH值；曝气池中的测量变量依次包括：投料量，污水色度，污水悬浮物浓度，污水PH值，生化需氧量；沉淀池中的测量变量依次包括：污水PH值和污泥量；再确定软测量模型的输出变量为污水出站口的污水悬浮物浓度；

步骤(2)：连续采集n天的数据，将每天采集到的输入变量对应的数据存储为一个m×1维的数据向量，则依次得到n个数据向量x1，x2，…，xn，并将n天的输出变量对应的数据存储为一个n×1维的数据向量y0；其中，第i天的数据向量xi中的元素按照步骤(1)中输入变量的先后顺序排列，i∈{1，2，…，n}，m等于步骤(1)中输入变量的总个数；

T

步骤(3)：组建矩阵X＝[x1，x2，…，xn] 后，将X中的各个列向量依次记录为y1，y2，…，ym，再按照如下所示公式对X中的各个列向量以及y0实施归一化处理，得到归一化后的输入矩阵 和输出向量其中，上标号T表示矩阵或向量的转置，下标号J∈{0，1，2，…，m}，yJ(min)和yJ(max)分别表示yJ中元素的最小值和最大值；

步骤(4)：利用减聚类算法确定RBF神经网络的隐层神经元的个数H，具体的实施过程如步骤(4.1)至步骤(4.4)所示；

步骤(4.1)：将输入矩阵 中的行向量依次记录为 后，初始化h＝1；

步骤(4.2)：根据如下所示公式计算行向量 分别对应的密度值F1，F2，…，Fn后，再将F1，F2，…，Fn中的最大值及其对应的行向量分别记录为fh和εh：其中，exp( )表示以自然常数e为底数的指数函数， 表示计算行向量 与 之间的距离，γ1为聚类半径；

步骤(4.3)：根据如下所示公式计算 分别对应的密度更新值其中，γ2＝1.5γ1；

步骤(4.4)：将 中的最大值及其对应的行向量分别记录为 和 后，判断是否满足条件 若否，则设置h＝h+1后，再设置 和 后，返回步骤(4.3)；

若是，则设置隐层神经元的个数H＝h；其中，η表示阈值；

步骤(5)：利用差分进化算法优化得到隐层神经元的H个中心点向量c1，c2，…，cH以及RBF参数δbest，具体的实施过程如步骤(5.1)至步骤(5.8)所示；

步骤(5.1)：初始化迭代次数g＝1，确定差分进化算法的参数，具体包括：种群个数N，缩放因子zf，交叉概率cp，最大迭代次数G；

步骤(5.2)：随机产生N个H×m维的种群矩阵U1，U2，…，UN，每个种群矩阵中的元素都按照均匀分布随机取值于区间[0，1]；

步骤(5.3)：计算种群矩阵U1，U2，…，UN分别对应的目标函数值L1，L2，…，LN；其中，计算第k个种群矩阵Uk对应的目标函数值Lk的具体实施过程如步骤(5.3‑1)至步骤(5.3‑3)所示；

步骤(5.3‑1)：分别将 当成输入向量，并根据如下所示公式依次计算RBF神经网络的隐层输出向量v1，v2，…，vn：H×1

其中，vi(h)表示vi∈R 中的第h个元素，δk是对应于第k个种群矩阵Uk的RBF参数，Uk(h)H×1表示Uk中第h行的行向量，h∈{1，2，…，H}，k∈{1，2，…，N}，R 表示H×1维的实数向量，R表示实数集；

H×1

步骤(5.3‑2)：根据公式 计算RBF神经网络的输出层权重向量θk∈RT

后，再计算得到RBF神经网络的输出层估计向量 其中，Vk＝[v1，v2，…，vn]；

步骤(5.3‑3)：根据公式 计算第k个种群矩阵Uk对应的目标函数值Lk；

步骤(5.4)：将L1，L2，…，LN中最小值对应的种群矩阵，RBF参数，和输出层权重向量分别记录为Ubest，δbest和θbest后，执行差分进化算法的种群更新操作，得到更新后的N个种群矩阵U1，U2，…，UN；

步骤(5.5)：判断是否满足条件g＞G；若否，则设置g＝g+1后返回步骤(5.3)；若是，则保留RBF参数δbest和输出层权重向量θbest，并将Ubest中的各个行向量依次记录为中心点向量c1，c2，…，cH；

步骤(6)：搭建一个RBF神经网络模型，其中，输入层神经元的个数等于m，隐层神经元的个数等于H，输出层神经元的个数等于1，隐层神经元的中心点向量是c1，c2，…，cH，RBF参数为δbest，输出层神经元的权重向量为θbest；

步骤(7)：根据步骤(1)中的m个输入变量，采集污水处理厂新一天的数据，并将其存储为一个1×m维的数据向量z；其中，数据向量z中的元素需依次按照步骤(1)所述的输入变量的先后顺序进行排列；

步骤(8)：按照公式 对z中的各个元素进行归

一化处理，得到归一化后的数据向量 其中，z(d)与 分别表示z与 中的第d个元素，d∈{1，2，…，m}，yd(max)和yd(min)分别表示yd中元素的最大值和最小值；

步骤(9)：利用步骤(6)中搭建的RBF神经网络，按照如下所示步骤(9.1)至步骤(9.2)计算得到输出估计值H×1

步骤(9.1)：根据如下所示公式计算RBF神经网络的隐层输出向量u∈R ：上式中，u(h)表示u中的第h个元素，

步骤(9.2)：根据公式 计算得到输出估计值

步骤(10)：计算污水悬浮物浓度的软测量值 返回

步骤(7)继续实施对下一天的污水悬浮物浓度的软测量。

2.根据权利要求1所述的一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法，其特征在于，所述步骤(5.4)中差分进化算法的种群更新操作的具体实施过程如下所示：步骤(5.4‑1)：根据如下所示公式分别为种群矩阵U1，U2，…，UN产生一个对应的变异矩阵M1，M2，…，MN：Mk＝Uk+zf×(Ubest‑Uk)+zf×(Ua‑Ub)  ⑥上式中，k∈{1，2，…，N}，下标号a与b是从区间[1，N]中随机产生的2个互不相等的整数；

步骤(5.4‑2)：按照如下所示公式对变异矩阵Mk中各元素进行修正：H×m H×m

上式中，Mk(h，d)表示变异矩阵Mk∈R 中的第h行第d列的元素，d∈{1，2，…，m}，R 表示H×m维的实数矩阵；

步骤(5.4‑3)：根据如下所示公式产生N个尝试矩阵W1，W2，…，WN：H×m H×m

其中，Wk(h，d)与Uk(h，d)分别表示Wk∈R 与Uk∈R 中的第h行第d列的元素，r(h，d)表示0至1之间的随机数；

步骤(5.4‑4)：依据如下所示公式更新种群矩阵U1，U2，…，UN：上式中， 表示将W当做成种群矩阵后，执行步骤(5.3‑1)至步骤(5.3‑3)计算得到的目标函数值。

3.根据权利要求1所述的一种基于改进型RBF神经网络的污水悬浮物浓度软测量方法，其特征在于，所述步骤(5.3‑1)中确定RBF参数δk的具体实施过程如下所示：首先，计算种群矩阵Uk中各个行向量之间的距离后，将最大的距离记录为β；

2

其次，根据公式δk＝β/H计算RBF参数δk。