1.一种基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，包括：采集污水处理过程的出水化学需氧量及污水参数数据；通过相关性分析筛选污水参数得到出水化学需氧量的相关参数数据；利用基于注意力机制的自适应加权生成对抗网络，对缺失的水质数据进行重构，实现数据增强；利用逐次变分模态分解对出水化学需氧量进行分解，得到出水化学需氧量的分量；通过排列熵对分解后的分量进行量化分析，并根据量化分析结果，将分量划分为高频分量和低频分量；通过所述相关参数数据和对应的出水化学需氧量的高频分量数据训练FiLM模型得到FiLM软测量模型，通过所述相关参数数据和对应的出水化学需氧量的低频分量数据训练CatBoost模型得到CatBoost软测量模型；以实测相关参数数据为输入，采用FiLM软测量模型预测出水化学需氧量高频分量，采用CatBoost模型预测出水化学需氧量低频分量，并将各自的输出结果求和，得到化学需氧量的最终预测结果。

2.根据权利要求1所述的基于数据增强与深度学习的污水软化学需氧量测量方法，其特征在于：所述污水参数数据包括流量、pH值、温度、溶解氧和混合液悬浮固体；采用准反向学习策略更新PID搜索优化算法的初始化数据，并利用自适应t分布突变扰动策略更新PID搜索优化算法的种群位置得到改进的PID搜索优化算法；通过改进的PID搜索优化算法分别优化FiLM和CatBoost软测量模型的超参数。

3.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于：所述利用基于注意力机制的自适应加权生成对抗网络，对缺失的水质数据进行重构，包括：输入采集数据和随机噪声对生成器和鉴别器进行对抗训练，得到与真实数据相似的生成数据；其中生成对抗网络的目标函数为：其中，V(D,G)表示生成器G和鉴别器D之间的损失函数，xr为采集数据，pdata(x)为采集数据的概率密度分布，z为随机噪声，pz(z)为先验噪声分布，E为期望，G(z)是生成器网络生成的假样本。

*

对V(D,G)求导，求出最优判别器D(x)：

式中，pg(x)表示生成器G生成的数据分布，将最优判别器代入损失函数式中，可得到生成器的损失等价于优化pdata(x)，pg(x)的JS散度。

4.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，使用域适应的相关性对齐算法定义自适应加权生成对抗网络的损失函数：式中，LCORAL为损失函数，d是特征之间的差异度，CS源数据的协方差，CT为目标域特征的协方差， 为平方矩阵Frobenius范数；

源数据和目标域特征的协方差矩阵为：

式中，nS表示源领域的样本数量，nT表示目标领域的样本数量，DS是源领域的数据分布，DT是目标领域的数据分布。

5.根据权利要求4所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，基于域适应的相关性对齐算法定义的损失函数，自适应加权生成对抗网络的目标函数为：式中：L为自适应加权生成对抗网络的目标函数，LCLASS为原任务损失函数，t表示深层网络中域适应的相关性对齐算法损失层数，λ表示权值参数。

6.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，将数据输入到GANs鉴别器模型中进行特征提取和网络映射后得到特征表示向量h，特征表示向量h输入至注意力网络层并通过softmax函数输出，注意力网络层中的权向量计算式为：式中，ai为权向量，n为被归一化的总权重数或特征段的数量， 为权重向量的指数函数。

生成注意力权重参数后，与原始输入隐藏层特征加权得到增强特征，增强特征的计算式为：式中，v为增强特征。

7.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，所述的利用逐次变分模态分解对出水化学需氧量进行分解，包括以下步骤：步骤3.1：定义输入信号的分解过程：

f(t)＝μL(t)+fr(t)

其中，f(t)为输入信号，μL(t)为低阶模态；fr(t)为残差信号；

步骤3.2：最小化约束实现信号的有效分解：

其中，J1为第一约束函数，ωL是L阶模态的中心频率，t为时间，μk(t)为原始信号中分解出来的第k个本征模态函数， 为复指数信号，j为虚数单位，δ(t)是冲激信号；

所建立的第二约束函数为：

式中，J2为第二约束函数，βL(t)为第一滤波器的脉冲响应；

为区分第L阶模态和前L‑1阶模态，故设置多个滤波器过滤各阶模态信号和残差信号，滤波器其频率响应函数如下：式中， 为第i个滤波器频率响应函数，ωi为第i个滤波器的截止频率，αi为第i个滤波器的平滑参数；

所建立的第三约束函数为：

其中，J3为第二约束函数，βi(t)为第i个滤波器的脉冲响应；

为保证信号能够完全重构，建立约束为：

式中， 表示所得模态之和，fu(t)为未处理部分；

步骤3.3：提取模态分量的问题表示为有约束的最小化问题：其中，a1、a2、a3分别为J1、J2和J3的平滑参数。

8.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，所述的通过排列熵对分解后的分量进行量化分析，包括以下步骤：步骤4.1：将一维序列{X(i)，i＝1，2，...，N}进行相空间重构，得到的矩阵：其中，重构向量的个数为k个，m为嵌入维数，将矩阵中每一行的元素按照大小进行排序；则有：x(i+(j1‑1)t)≤x(i+(j2‑1)t)≤…≤x(i+(jm‑1)t)其中，j1，j2，…，jm为每一行中对所有元素原始顺序的编号；

步骤4.2：每一行元素按照降序重新排序以后，得到：S(l)＝(j1，j2，…，jm)

其中，l＝1，2，…，k，k≤m！，编号序列最多有m！种不同的排列顺序；

步骤4.3：假设k种编号顺序出现的概率分别为P1，P2，…，Pk，则排列熵的计算公式为：其中，当 时，排列熵达到最大值ln(m！)，将排列熵值从小到大排序，低于设定熵值的作为低频分量，低于设定熵值的作为高频分量。

9.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，所述CatBoost软测量模型，目标函数为：t t‑1

其中，h为目标函数，y是真实值，F (x)是t‑1次迭代中得到的强学习器，为弱学习器，L(·)是损失函数，h(x)为弱学习器输入x时的预测结果，E为期望函数，H为弱学习器的输出集；

使用损失函数的负梯度用与拟合每一轮迭代损失的近似值：t

得到本轮迭代的强学习器F(x)为：

t t‑1 2

F(x)＝F (x)+αh

t

其中，α为模型更新的步长，强学习器F(x)输出预测结果；

所述FiLM软测量模型，包含一层状态空间模型和一层频率增强层；

将出水COD数据的高频分量输入到状态空间模型：Ct＝ACt‑1+Bxt

N

其中，xt∈R为输入信号，Ct∈R为储存单元，N为legendre多项式的个数；A、B为前缀矩阵；

前缀矩阵A和B，定义式为：

LPU包含投影和重构两个阶段；前一级将原始信号投射到存储单元，后一阶段重构来自存储器单元的信号；

M’×N×N

频率增强层的学习权重矩阵为：W∈R 。

10.根据权利要求1所述的基于数据增强与深度学习的污水化学需氧量软测量方法，其特征在于，所述改进的PID搜索优化算法，包括：采用准反向学习策略代替原算法的随机初始化，使初始种群均匀覆盖整个样本空间，初始化计算式为：其中， 为反向解；准相对点的计算公式如下：

其中， 为准相对点，xij表示第j维的第i个个体；uj和li为第j维的第i个种群的上界和下界；xij∈[l，u]为搜索空间中的一个候选解，r是‑1到1之间的随机数，c为系统偏差；

将自适应t分布突变扰动引入到PSA算法中，采用自由度参数n＝iter的t*分布来优化个体的搜索方向和距离，iter为迭代次数；其位置更新公式如下式所示：*

x(t+1)＝x(t)+η·Δu(t)+(1‑η)·(cos(1‑t/T)+λr5·t)·ek(t)其中，r5是从0到1的随机数的矢量；η是n行1列的矩阵；ek(t)为t次迭代的总体偏差，λ为调整系数，公式如下：2

λ＝[ln(T‑t+2)/ln(T)]

式中，T为最大迭代次数。