1.一种基于宽度GRNN模型的造纸过程排污口水质预测方法，其特征在于，具体包括以下步骤：

步骤(1)：确定造纸过程排污口水质预测模型的输入变量，依次包括：入水流量，入水温度，入水化学需氧量，入水PH值，入水固体悬浮物浓度，溶氧量；确定造纸过程排污口水质预测模型的输出变量，具体包括：出水化学需氧量和出水固体悬浮物浓度；

步骤(2)：为步骤(1)中的输入变量和输出变量采集n天的数据后，将每天采集到的输入变量对应的数据存储为一个6×1维的数据向量，则依次得到n个输入数据向量x1，x2，…，xn，并将每天采集到的输出变量对应的数据存储为一个2×1维的数据向量，则依次得到n个输出数据向量y1，y2，…，yn；其中，第i个的输入数据向量xi中的元素按照步骤(1)中输入变量的先后顺序排列，第i个的输出数据向量yi中的元素按照步骤(1)中输出变量的先后顺序排列，i∈{1，2，…，n}；

步骤(3)：分别组建输入矩阵X＝[x1，x2，…，xn]与输出矩阵Y＝[y1，y2，…，yn]后，再按照如下所示公式分别对X与Y中的各个行向量实施归一化处理，得到归一化后的输入矩阵和输出矩阵

1×n

其中，z∈R 表示X与Y中的各个行向量，表示z经归一化处理后的行向量，zmax和zmin分

6×n 2×n

别表示z中的最大值和最小值，R 表示6×n维的实数矩阵，R 表示2×n维的实数向量，R表示实数集；

步骤(4)：搭建一个由输入层，模式层，求和层，和输出层组成的GRNN模型；其中，输入层神经元的个数等于6，模式层神经元的个数等于n，求和层神经元的个数等于3，输出层神经元的个数等于2；

步骤(5)：利用差分进化算法求解得到模式层神经元的n个参考向量u1，u2，…，un，具体的实施过程如步骤(5.1)至步骤(5.5)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6×n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(5.3‑4)所示；

步骤(5.3‑1)：将输入矩阵 中的各个列向量 依次当成GRNN模型的输入，并根据如下所示公式依次计算GRNN模型的模式层输出向量v1，v2，…，vn：n×1

其中，exp()表示以自然常数e为底数的指数函数，vi(h)表示vi∈R 中的第h个元素，δk表示第k个种群矩阵Uk对应的光滑因子，h∈{1，2，…，n}，k∈{1，2，…，N}，Uk(h)表示Uk中的第h列的列向量， 表示计算 与Uk(h)之间的距离，上标号T表示矩阵或向量的转置；

步骤(5.3‑2)：根据如下所示公式分别计算GRNN模型的求和层输出向量s1，s2，…，sn：

3×1

上式中，si(j)表示si∈R 中的第j个元素，j∈{1，2，3}， 表示输出矩阵 中的第j行第h列的元素；

步骤(5.3‑3)：分别根据公式 和 计算第i个输出估计向量中的第1个元素 和第2个元素 重复本步骤直至得到n个输出估计向量步骤(5.3‑4)：根据公式 计算第k个种群矩阵Uk对应的目标函数值Lk；其中，表示计算矩阵 中所有元素的平方和， 表示第k个种群矩阵Uk对应的输出估计矩阵；

步骤(5.4)：将L1，L2，…，LN中最小值对应的种群矩阵和输出估计矩阵分别记录为Ubest和Ybest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，则将Ubest中的各个列向量依次记录为参考向量u1，u2，…，un；

步骤(6)：搭建宽度GRNN模型；其中，输入层神经元的个数等于6，模式层神经元的个数等于2n，求和层神经元的个数等于3，输出层神经元的个数等于2，模式层神经元的2n个参考向量为u1，u2，…，un和 求和层神经元的权重矩阵为步骤(7)：根据步骤(1)中的6个输入变量，采集造纸过程污水处理系统新一天的数据，并将其存储为一个6×1维的数据向量x；其中，数据向量x中的元素按照步骤(1)中输入变量的先后顺序依次排列；

步骤(8)：按照公式 对x中的各个元素进行归一化处理，得到归一化后的输入向量 其中，x(d)与 分别表示x与 中的第d个元素，X(d)max和X(d)min分别表示X中第d行向量的最大值和最小值，d∈{1，2，…，6}；

步骤(9)：利用步骤(6)中搭建的宽度GRNN模型，按照如下所示步骤(9.1)至步骤(9.3)计算得到输出估计向量

步骤(9.1)：根据如下所示公式计算宽度GRNN模型的模式层输出向量其中， 表示 中第m个元素， U(m)表示U中的第m列

2n×1

的列向量，m∈{1，2，…，2n}，R 表示2n×1维的实数矩阵，δ表示光滑因子；

步骤(9.2)：根据如下所示公式计算宽度GRNN模型的求和上式中， 表示 中的第j个元素，Ys(j，m)表示权重矩阵Ys中第j行第m列的元素；

步骤(9.3)：分别根据公式 和 计算输出估计向量 中的第1个元素 和第2个元素

步骤(10)：根据公式 计算排污口的出水化学需氧量的预测值y(1)和出水固体悬浮物浓度的预测值y(2)后，返回步骤(7)继续实施新一天的排污口水质预测；其中，Y(j)min和Y(j)max分别表示输出矩阵Y中第j行向量的最小值和最大值。

2.根据权利要求1所述的一种基于宽度GRNN模型的造纸过程排污口水质预测方法，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进行修正：

6×n

上式中，Mk(d，h)表示变异矩阵Mk∈R 中的第d行第h列的元素，d∈{1，2，…，6}，h∈{1，

2，…，n}；

步骤(5.4‑3)：根据如下所示公式产生N个尝试矩阵W1，W2，…，WN：

6×n 6×n

其中，Wk(d，h)与Uk(d，h)分别表示Wk∈R 与Uk∈R 中的第d行第h列的元素，r(d，h)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Wk当成种群矩

阵后，执行步骤(5.3‑1)至步骤(5.3‑4)计算得到的目标函数值。

3.根据权利要求1所述的一种基于宽度GRNN模型的造纸过程排污口水质预测方法，其特征在于，所述步骤(5.3‑1)中确定第k个种群矩阵Uk对应的光滑因子δk的具体实施过程如下所示：

首先，计算种群矩阵Uk中各个列向量之间的距离后，将最大的距离记录为β；

2

其次，根据公式δk＝β/n计算光滑因子δk。