1.一种基于神经网络的光纤表面等离激元透射光谱预测方法，其特征在于，所述方法包括以下步骤：

S101，获取目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率以及相对应的透射光谱，并将所述金膜厚度、所述金膜宽度和所述待测环境的折射率进行归一化处理，相对应的所述透射光谱作为标签；

S102，搭建神经网络模型；

S103，将归一化后的所述金膜厚度、所述金膜宽度和所述待测环境的折射率以及对应的标签输入所述神经网络模型中对所述神经网络模型进行训练；

S104，测试训练好的神经网络模型；

S105，将待测目标光纤表面等离激元传感器的所述金膜厚度、所述金膜宽度和所述待测环境的折射率归一化后，输入测试好的所述神经网络模型，得到预测的所述透射光谱。

2.根据权利要求1所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方法，其特征在于，所述神经网络模型包括密集层(Dense)、Dropout层以及Relu激活函数，归一化的所述金膜厚度、所述金膜宽度和所述待测环境的折射率的范围均为0‑1，所述周期(epochs)为100‑800，所述训练好的神经网络模型至少包括：所述金膜厚度、所述金膜宽度和所述待测环境的折射率与所述透射光谱的对应关系。

3.根据权利要求2所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方法，其特征在于，所述Dense层的层数为5‑10层，所述Dropout层的层数小于等于Dense层的层数。

4.根据权利要求3所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方法，其特征在于，所述步骤S104包括以下步骤：S201，将未参与训练的所述金膜厚度、所述金膜宽度和所述待测环境的折射率代入所述训练好的神经网络模型中；通过所述训练好的神经网络模型预测得到未参与所述神经网络模型训练的所述金膜厚度、所述金膜宽度和所述待测环境的折射率对应的所述透射光谱，并计算所述神经网络模型的均方差损失函数值；

S202，将所述预测的透射光谱与已知的所述金膜厚度、所述金膜宽度和所述待测环境折射率对应的所述透射光谱进行比较，将所述训练好的神经网络模型的所述均方差损失函数与设置的阈值进行比较，检验该所述训练好的神经网络模型的可信度；

S203，根据所述训练好的神经网络模型的可信度判断是否满足实际测量需求，若不满足则重新训练所述神经网络模型。

5.根据权利要求4所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方法，其特征在于，所述均方差损失函数为：其中，ym表示所述训练好的神经网络模型预测的第m个透射率的值， 表示相应的第m个透射率的真实值，M表示预测数据的个数，所述阈值为0.001‑0.0001。

6.根据权利要求5所述的基于神经网络的光纤表面等离激元传感器透射光谱预测方法，其特征在于，所述步骤S105包括以下步骤：S301，将待测目标光纤表面等离激元传感器的所述金膜厚度、所述金膜宽度和所述待测环境的折射率，并进行归一化处理；

S302，将归一化后的所述金膜厚度、所述金膜宽度和所述待测环境的折射率输入测试好的所述神经网络模型中；

S303，通过测试好的所述神经网络模型预测出对应的透射光谱。

7.根据权利要求6所述的基于光纤表面等离激元传感器透射光谱预测方法，其特征在于，所述测试好的神经网络模型预测的所述透射光谱的波长范围为300‑1400nm。

8.一种基于神经网络的光纤表面等离激元传感器透射光谱预测系统，其特征在于，所述系统包括：获取模块、代入模块和计算模块；所述获取模块用于获取目标光纤表面等离激元传感器的金膜厚度、金膜宽度和待测环境的折射率，并将所述金膜厚度、所述金膜宽度和待测环境的折射率进行归一化处理；所述代入模块用于将归一化后的所述金膜厚度、所述金膜宽度和所述待测环境的折射率代入搭建的神经网络模型中；所述计算模块用于预测所述目标光纤表面等离激元传感器的透射光谱。

9.根据权利要求8所述的基于神经网络的光纤表面等离激元传感器透射光谱预测系统，其特征在于，归一化的所述金膜厚度、所述金膜宽度和待测环境的折射率的范围均为0‑

1。

10.根据权利要求9所述的基于神经网络的光纤表面等离激元传感器透射光谱预测系统，其特征在于，所述系统还包括训练模块，所述训练模块用于将已知的所述金膜厚度、所述金膜宽度和所述待测环境的折射率的数据和对应的所述透射光谱数据输入到所述神经网络模型中，通过训练得到所述训练好的所述神经网络模型。