1.一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，包括以下步骤：S1：获取历史高炉生产数据，对得到的生产数据进行数据选取，得到高炉生产时间序列数据；选取的生产数据包括取下料速度、煤气利用率、焦比、煤比、热损、鼓风温度以及历史硅含量；

S2：对高炉生产数据进行异常处理，三次Hermite插值，数据平滑化，数据归一化在内的预处理，并对高炉生产数据进行划分，得到训练样本与待预测样本；

S3：构建基于独立循环神经网络的高炉铁水硅含量预测模型，设置待训练模型的超参数；

S4：初始化模型的初始值，将训练数据集放入高炉铁水硅含量预测模型，通过双向的独立循环神经网络捕获数据的时序特征，多头注意力机制关注重点关系，并采用正反传播算法筛选出最优的模型权重；

S5：将待预测样本放入高炉铁水硅含量预报模型中，得到高炉铁水硅含量的预测结果；

所述步骤S2对高炉生产数据数据进行预处理的过程包括：通过3σ准则对异常值进行处理，为了统一时间间隔，达到五分钟预测一次的效果，采用三次Hermite插值法对数据进行插值处理，并使用均值滤波法对数据进行平滑化，使用数据归一化对不同量纲的数据进行无量纲化，最后通过专家经验，确定参数起作用的具体时间；

高炉铁水硅含量预测模型的循环神经部分使用了双向独立循环神经网络，注意力机制使用多头自注意力机制，预测结果通过这两个模块合并预测，得到最终结果：网络预测步骤：将经过数据预处理的数据经过滑动窗口生成训练数据，以此捕获多个时间步的高炉时序相互关系，并通过前后两个方向的独立循环神经网络捕获网络的时间序列关系，并通过多头注意力机制去除冗余信息。

2.根据权利要求1所述的一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，去除离群值具体包括：对于数据数量为n的数据集合，若数据成正态分布，则取值集中在均值 个标准差σ范围内，根据此规律去除离群值，具体公式如下：所述数据插值具体包括：高炉炉温预测模型需要五分钟进行一次炉温预报，部分参数粒度大，远超五分钟，需要进行插值处理；

分段三次Hermite插值能够正确反应原始函数的特性，具体求解过程如下所示：其中f(x)代表原始序列，H(x)代表拟合函数，假设在节点a≤x0

3.根据权利要求1所述的一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，所述数据平滑化具体包括：采用均值滤波进行数据平滑化，其中X为输入数据，NX为经均值滤波处理后的数据，n为平滑窗口的大小；

所述数据归一化具体包括：表示为：

其中，Xnew表示归一化的数据，Xi表示第i个数据，Xmin表示所有数据中的最小值，Xmax表示所有数据中的最大值。

4.根据权利要求1所述的一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，所述S3：构建基于独立循环神经网络的高炉铁水硅含量预测模型，具体包括：高炉铁水硅含量预测模型是一个全连接的神经网络结构，通过神经元为1的全连接层输出得到；

定义模型的训练损失函数

其中，m为样本总数，yt为测试集中硅含量的真实值， 为模型对测试集硅含量的预测值，MSE代表均方误差。

5.根据权利要求4所述的一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，所述超参数包括：模型隐藏层数L，模型时间窗口长度T、模型权重W、隐藏层偏置bias，模型隐藏状态H。

6.根据权利要求1所述的一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，所述独立循环神经网络的前向传播的表达式具体为：ht＝σ(Wxt+u⊙ht‑1+b)

其中W，u代表网络层的权重，b为网络层的偏执，ht表示输出和隐藏状态，xt代表t时刻的输入；所以由上式可知，在时刻t时，独立循环神经网络的第n个神经单元的计算方式为：hn,t＝σ(Wnxt+un⊙hn,t‑1+bn)

多头注意力机制公式如下所示

K

Q，K，V分别代表查询，键，值，dk代表矩阵K的维度；其中K，V为全部隐藏状态H与权重W ，V QW相乘，而Q为最后一个隐藏状态与W相乘。

7.根据权利要求1所述的一种基于独立循环神经网络的高炉铁水硅含量预测方法，其特征在于，所述步骤S4采用正反传播算法筛选出最优的模型权重；算法筛选出最优的模型超参数的过程包括：S41：初始学习率、迭代次数；并对权重W，隐藏状态H与偏置bias进行随机取值；

S42：通过Adam算法进行自适应学习率调整；

S42：当达到最大迭代次数时，或者loss在验证集上不下降时，得到最优的权重、隐藏状态和偏置。