1.一种地沟油检测方法，其特征在于：包括如下依次执行的步骤：S1：获取待测样本的原始电导率 ；

S2：采用贝叶斯估计获取第一电导率数据E1；

所述步骤S2具体操作步骤如下：

S2‑1：贝叶斯估计采用的动态时变系统模型是用状态方程和观测方程表示的，如下公式（1‑1）为状态方程，公式（1‑2）为观测方程：（1‑1）；

（1‑2）；

其中，函数 表示状态转移函数，描述系统从 时刻转移到 时刻的过程， 表示 时刻的系统状态，即 时刻的电导率， 表示 时刻的过程噪声， 表示确定的观测函数， 为原始电导率，即 时刻的系统状态， 为真实的转移函数中没有被建模的部分， 表示 时刻的观测值，即温度；

若概率密度初始值 则利用系统模型信息，通过 Chapman‑Kolmogorov 方程可得到 k 时刻状态的先验概率密度如下公式（1‑3）所示：（1‑3）；

其中， 表示温度t 观测序列下第1时刻到 时刻e 的概率密度， 为原始电导率， 表示第 时刻， 表示 时刻的电导率，e表示电导率；

当获得新的观测值 后，通过贝叶斯公式修正先验概率密度得到后验概率密度如下公式（1‑4）所示：（1‑4）；

其中， 为归一化常量， 表示 时刻的观测值，即温度， 表示从1时刻到 时刻的观测值；

S2‑2：序列蒙特卡罗滤波来实现贝叶斯估计，即通过非参数化的蒙特卡罗模拟来实现贝叶斯估计，令 为欲求后验概率密度 的一个随机观测量，其中为一支撑点集，其相应的权值为 ，

表示0至 k 时刻的状态集，归一化权值 ，于是 k 时刻的后验概率密度可以表示为如下公式（1‑5）：（1‑5）；

其中， 表示第0时刻到第 时刻的电导率 在第1时刻到 时刻的概率密度， 表示第 时刻，e表示电导率，δ()为狄拉克函数，基于随机采样运算的蒙特卡罗模拟可将积分运算转化为有限样本点的求和运算，即状态概率密度分布可用如下公式（1‑6）的经验概率分布表述：（1‑6）；

其中， 表示从0时刻到 时刻的所有电导率，N表示样本总数；

S2‑3：其中，蒙特卡罗模拟的核心是将公式(1‑3)中的积分转化为有限样本点的概率转移累加， 是多变量、非标准概率分布，需要借助序列重要采样SIS算法来完成蒙特卡罗滤波，重要性函数 是指概率分布与 相同，已知且容易从中采样的分布函数，将重要性函数 写成如下公式（1‑7）的连乘积形式：(1‑7)；

其中， 表示变量 的概率分布， 则表示 时刻的电导率， 表示从0时刻到时刻的状态序列， 表示从时刻1到时刻 的观测值；

并假设状态符合马尔科夫过程，在给定状态下，观测量条件独立，则权值递推公式为如下公式（1‑8）所示：（1‑8）；

其中， 表示 时刻的权重， 表示 时刻的权重，根据概率密度 得到N个样本点 ，则概率密度函数可表示为如下公式（1‑9）：

(1‑9)；

其中， 表示第 个样本在 时刻的权重，反应该样本对状态估计的贡献；

更新概率密度函数为如下公式（1‑10）：

（1‑10）；

其中 由如下公式（1‑11）所示：

（1‑11）；

样本点 可由 时刻的样本 通过状态方程获得；

S2‑4：序列重要采样算法先从 中随机抽取一个样本，然后逐点计算对应的和 ，之后利用式(1‑5)计算对应样本的重要性权系数，然后对权进行归一化处理，即 ，最后利用式(1‑5)对 进行估计得到第一电导率数据E1；

S3：采用蒙特卡罗滤波对第一电导率数据E1进行处理，并输出当前状态的第二电导率数据E2；

所述步骤S3具体处理步骤如下：

S3‑1：根据已知的先验概率密度分布，即在时刻 t‑1 的状态估计的电导率概率分布，生成一组地沟油的电导率样本，每个电导率样本都代表状态空间中的一个可能的状态，并对每个电导率样本预设一个初始权重；

S3‑2：根据状态转移模型，对每个样本进行预测，生成下一时刻的样本状态，状态转移模型的具体操作步骤如下：将第一电导率数据E1转换成标准分,标准分公式如下公式（2‑1）所示：（2‑1）；

式中，z为标准分， 为平均数， 为标准差，

S3‑3：计算电导率样本中每一组状态转移的标准分差值的平均数,构建状态转移标准分差值的平均数 ,以平均值估算预测状态的电导率标准分 ，状态转移标准分差值的平均值函数，可建立预测状态的电导率计算公式z':；

式中:  为电导率由状态i转移为状态j时,标准分差值的平均数， 为预测状态的电导率标准分， 为初始状态i的标准分，  为转移状态j的标准分， 为由状态i转移为状态j的发生频次，△z表示状态转移的标准分差值；它表示从状态i到状态j的标准分变化；

S3‑4：当获取新的电导率数据时，使用新的电导率数据来更新样本的权重；

S3‑5：若样本权重的方差大于预设值时，则进行重采样，重采样的目的是丢弃权重较小的样本，并复制权重较大的样本，以保持样本集的多样性，同时确保高权重的区域得到足够的表示，否则执行下一步骤，S3‑6：根据样本及其权重，可以估计出当前状态的后验分布,得到第二电导率数据E2；

S3‑7：重复步骤S3‑2到S3‑6，每次迭代都使用新的电导率数据来更新样本集，并输出当前状态的第二电导率数据E2；

S4：采用BP神经网络对第二电导率数据E2进行训练，最终得到电导率E3，具体训练步骤如下：S4‑1：BP神经网络的结构包括输入层、输出层和多个隐含层，每层都有若干个节点，层与层之间节点的链接状态通过权重来体现，其中，输入层的节点个数等于输入的维度，输出层的节点个数等于输出的维度，在BP神经网络中，每个节点都包含一个感知器，即一个单独的神经元，其包含输入项、权重、偏置、激活函数和输出，在正向传播过程中，输入数据经过感知器节点的计算后，通过激活函数的处理得到输出结果；而在反向传播过程中，将结果与期望结果进行比较，通过多次迭代不断调整网络上各个节点的权重,BP神经网络每一层的计算公式由如下公式（3‑1）表示：y=T(WE2+b)（3‑1）；

其中，b代表的是温度，W代表的是电导率概率，T代表激活函数；

S4‑2：BP神经网络的训练采用反向传播算法，反向传播算法通过计算每一层的状态和激活值，从最后一层向前推进计算误差，并更新参数以最小化网络的预测输出与实际输出之间的误差函数，这个过程不断迭代，直到满足预置的停止准则，其中误差函数为均方差函数如下公式(3‑3)所示：(3‑3)；

其中， 为连接权重，即电导率概率， 为偏置，即温度， 为训练样本个数， 为输出个数， 为第 个样本第 个输出的预测值， 为对应的真实值，即最终得到的电导率E3。

2.如权利要求1所述的地沟油检测方法，其特征在于：步骤S3‑4中，通过似然函数计算每个样本电导率数据与样本状态的匹配程度，来更新样本的权重，然后，将权重归一化，使得所有样本的权重之和为1。

3.如权利要求1所述的地沟油检测方法，其特征在于：步骤S3‑5中，样本权重的方差的预设值为0.05。

4.如权利要求1所述的地沟油检测方法，其特征在于：步骤S3‑6中，采用计算加权样本状态的平均值或众数来估计当前状态的后验分布。

5.如权利要求1所述的地沟油检测方法，其特征在于：步骤S4‑1中，T所表示的激活函数为Sigmoid函数，Sigmoid函数由如下公式（3‑2）所示:（3‑2）。

6.一种地沟油检测系统，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于：所述计算机程序被所述处理器执行时，实现如上述权利要求1‑5任一项所述的方法。

7.一种存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时，实现如上述权利要求1‑5任一项所述的方法。