1.基于回归生成对抗网络的火焰图像氧浓度预测方法，其特征在于：包括以下步骤：(1)获取熔炉火焰图像数据：

在实验炉中进行燃烧实验，取样过滤后的废气的排气温度、氧气浓度、二氧化碳浓度、一氧化碳浓度，捕捉实验炉内火焰的图像并发送到现场处理设备上，在现场处理设备运行处理过程中，实验炉内氧气浓度和火焰图像都被自动记录下来；

(2)熔炉火焰图像数据的预处理以及数据集划分：

为了加快模型收敛速度，减少模型训练时间，对数据进行归一化处理，并将数据集划分为训练集和测试集；

(3)生成熔炉火焰图像数据集中的少数区间样本：

建立基于梯度惩罚的回归生成对抗网络RGAN‑GP模型，将熔炉火焰图像数据集中的少数区间图像作为训练样本，训练回归生成对抗网络RGAN‑GP模型，回归生成对抗网络RGAN‑GP模型训练完成后，生成少数区间样本，平衡火焰图像数据集；具体如下:步骤3.1：建立基于梯度惩罚的回归生成对抗网络模型：

所述回归生成对抗网络RGAN‑GP模型包括生成器G、判别器D和回归模型R，所述生成器G、判别器D和回归模型R均为神经网络，所述生成器G用于捕获真实数据的分布，生成与真实数据相似的样本，所述判别器用于判断其输入是真实数据还是生成数据，所述回归模型R用于约束生成模型G，使生成模型生成的样本与它的条件变量相对应，判别器R、生成器G、回归模型R的损失函数如下：式中：Pdata(x)表示真实数据x的概率分布；Pz(z)表示噪声z的概率分布；G(z|c)表示条件变量c下的生成数据； 表示采样分布， ε表示插值参数；D(.)表示判别器的输出， 表示判别器梯度2范数；R(.)表示回归模型的输出；E表示期望；λ表示梯度惩罚系数；α表示回归模型对生成器的约束系数；

步骤3.2：使用少数区间样本训练基于梯度惩罚的回归生成对抗网络模型并生成新的样本，具体过程如下：将原始训练集中的少数区间样本作为训练集，训练回归生成对抗网络RGAN‑GP模型，通过生成器G、回归模型R、判别器D的交替训练，最终生成器G能够生成使判别器D无法判别真假的样本；在训练回归生成对抗网络RGAN‑GP模型训练完成之后，使用生成器G生成一定数量的样本，该样本与原始数据集混合，使得数据集中各区间样本数量的不平衡率在1：2以内，即最少样本的区间样本量与最多样本的区间样本量在1：2以内；

(4)建立并训练火焰图像氧浓度预测模型：

建立火焰图像氧浓度预测模型，将平衡后的火焰图像数据集作为训练集，训练火焰图像氧浓度预测模型；

(5)模型表现评估：

引入评价指标均方根误差RMSE和相对提高率RIMP对步骤(4)中训练的火焰图像氧浓度预测模型进行评估。

2.根据权利要求1所述的基于回归生成对抗网络的火焰图像氧浓度预测方法，其特征在于，所述步骤(4)的过程为：步骤4.1：建立火焰图像氧浓度预测模型：

使用卷积神经网络预测氧浓度，建立卷积神经网络CNN回归模型,所述卷积神经网络CNN回归模型由卷积层和全连接层组成,每个卷积层之后都设有一层最大的池化层，用于减少计算量,所有卷积层和池化层的核的尺寸均为2×2，卷积层的步长均为1，池化层的步长均为2，除最后一层全连接层外，所有卷积层和全连接层均使用ReLU激活函数，步骤4.2：训练火焰图像氧浓度预测模型：使用回归生成对抗网络RGAN‑GP平衡后的火焰图像数据集训练卷积神经网络CNN回归模型，优化器选择Momentum，学习率设置为0.01。