1.一种基于分层预测神经网络的玻璃硬度预测方法，其特征在于，该方法包括以下步骤：S1、数据的获取，包括玻璃的化学组成成分、熔化温度、澄清温度、成型温度、热处理工艺、冷加工工艺，并通过测量设备获取玻璃的硬度；

S2、数据的预处理，包括将步骤S1中获取的化学组成成分、熔化温度、澄清温度、成型温度进行数据归一化处理，对步骤S1中获取的热处理工艺、冷加工工艺数据进行one‑hot独热编码，以构建符合步骤S4模型输入类型的数据；

S3、数据集的构建，包括将步骤S2形成的数据分为训练集、验证集，训练集与验证集的数据量的比例为4：1；

S4、神经网络模型的搭建，包括搭建分层预测神经网络，分层预测神经网络包括两个神经网络，分别为卡尔莫戈罗夫‑阿诺尔德网、前馈神经网络；

S5、采用步骤S3中的训练集对神经网络模型进行训练，采用平均绝对误差来评估预测误差，通过梯度下降法和反向传播训练神经网络模型；

S6、采用步骤S3中的验证集对步骤S5中训练的神经网络模型进行性能测试及验证，待神经网络模型的预测误差满足精度要求后，停止对神经网络模型训练并保存相应的网络结构及参数，将拟设计玻璃的化学组成成分、熔化温度、澄清温度和成型温度，热处理工艺、冷加工工艺进行数据预处理，并输入训练好的神经网络模型，得到的输出值即为该模型预测的玻璃平均硬度；

其中，所述步骤S4包括以下内容：

步骤S41：搭建分层预测神经网络模型，所述分层预测神经网络模型由两个神经网络构成，两个神经网络分别为卡尔莫戈罗夫‑阿诺尔德网络和前馈神经网络，且两个神经网络分别包括1个输入层、1个隐含层和1个输出层，其中卡尔莫戈罗夫‑阿诺尔德网络的输出层也是前馈神经网络的输入层的一部分；

所述卡尔莫戈罗夫‑阿诺尔德网络的输入层神经元个数 为公式（4）：（4）

其中： 为数据集中玻璃化学组分的种数； 为数据集中热处理工艺的种数和热处理温度数的总和； 为数据集中玻璃熔化温度和澄清温度的数量，恒为2；

故公式（4）可简化为公式（5）：

I1=Nx+Nhot+2（5）

卡尔莫戈罗夫‑阿诺尔德网络的隐含层神经元个数 ，根据卡尔莫戈罗夫‑阿诺尔德表示定理，应设置为公式（6）：（6）

卡尔莫戈罗夫‑阿诺尔德网络输出层神经元个数 如公式（7）所示：（7）

卡尔莫戈罗夫‑阿诺尔德网络的函数表达式 定义参见公式（8）：（8）

其中： 为输入卡尔莫戈罗夫‑阿诺尔德网络的数据； 中的 表示从第0层到第

1层的映射， 中的 、表示从第1层到第2层的映射，两者均为卡尔莫戈罗夫‑阿诺尔德网络的激活函数 ，即Sigmoid Linear Unit函数 和样条函数 的线性组合，具体公式参见公式（9）：

（9）

其中： 和 为可训练参数；

样条函数 是B‑样条函数的线性组合，参见公式（10）：（10）

其中： 为可训练参数， 为B‑样条函数；

步骤42：前馈神经网络的网络结构包括：前馈神经网络输入层神经元个数 参见公式（11）：（11）

其中： 为数据集中冷处理工艺的种数， 为卡尔莫戈罗夫‑阿诺尔德网络的输出层的神经元个数，恒为1，故公式（11）可简化为 （12）

前馈神经网络隐含层神经元个数 参见公式（13）：（13）

前馈神经网络输出层神经元个数 参见公式（14）：（14）

前馈神经网络隐含层的激活函数选择带泄露的ReLU函数，前馈神经网络输出层的激活函数选择Sigmoid函数；优化算法优先选择Adam算法，该算法既能使用动量作为参数更新方向，又能自适应地调整学习率；

所述步骤42中的带泄露的ReLU函数如公式（15）所示：（15）

其中 取0.01；

Sigmoid函数如公式（16）所示：

（16）；

所述步骤S5包括：

S51、平均绝对误差的计算公式如公式（17）所示：（17）

其中：m为训练集和验证集中的样本数, 为预测的玻璃硬度值， 为测量的平均硬度值；

通过梯度下降法和反向传播训练神经网络模型，为避免过拟合导致的模型性能下降，采用早停法，在过拟合前提前停止训练；

所述步骤S5还包括步骤S52、根据分层神经网络结构，构建玻璃硬度的预测模型，通过训练完成的神经网络的最优结构，得到神经网络各层的参数；

构建预测模型的形式为公式（18）：

（18）

其中： 为归一化处理后的玻璃化学组成组分数据； 为归一化处理后的熔化温度、澄清温度和成型温度数据； 为归一化处理后的热处理工艺数据； 为归一化处理后的冷加工工艺数据； 为前馈神经网络第 层的权重； 为前馈神经网络为第 层的偏置；

和 分别为卡尔莫戈罗夫‑阿诺尔德网络中输入层和隐含层的激活函数，见公式（9）； 函数见公式（15）； 函数见公式（16）。

2.根据权利要求1所述的一种基于分层预测神经网络的玻璃硬度预测方法，其特征在于：所述步骤S1中通过测量设备获取玻璃的硬度包括在每块玻璃中平均地取5个测量点，分别测量5个测量点的玻璃硬度 ，1≤i≤5，i为整数，通过5个点的玻璃硬度获得该块玻璃硬度的平均值 ，并且通过公式（1）：（1）

计算得出每个点的玻璃硬度 与玻璃硬度的平均值 的相对误差 ，i为整数，且1≤i≤5。

3.根据权利要求2所述的一种基于分层预测神经网络的玻璃硬度预测方法，其特征在于：在步骤S1中，如果计算得到的任一相对误差 大于15%，则可认为设置取样点时取到了瑕疵点，为保证后续步骤S5的训练效果，应当对该玻璃重新设计取样点，直至所有取样点对应的相对误差 均小于或等于15%。

4.根据权利要求3所述的一种基于分层预测神经网络的玻璃硬度预测方法，其特征在于，所述步骤S2包括如下步骤：步骤S21、对玻璃的化学组成成分进行数据归一化处理，即将数据缩放到[0，1]，采用公式（2）进行计算：（2）

其中， 为化学组成成分的物质的量， 为数据集中该化学组成成分物质的量的最大值， 为数据集中该化学组成成分物质的量的最小值，化学组成成分物质的单位为摩尔；

步骤S22、分别对玻璃的熔化温度、澄清温度和成型温度进行归一化处理，即将数据缩放到[0，1]，采用公式（3）进行计算：（3）

其中 为玻璃的熔化温度、澄清温度、成型温度， 为数据集中熔化温度、澄清温度、成型温度各自对应的最大值， 为数据集中熔化温度、澄清温度、成型温度各自对应的最小值，熔化温度、澄清温度、成型温度的单位均为摄氏度；

步骤S23、对玻璃的热处理工艺、冷处理工艺的类别型数据进行one‑hot独热编码，其中热处理工艺的one‑hot独热编码采用如下方式：为第i块玻璃样品创建一个向量，如果玻璃样品采用了退火工艺，则令 并令 等于退火温度，否则令 、 均为0；如果样品采用了淬火工艺，则令 并令 等于淬火温度，否则令 、 均为0；如果样品采用了回火工艺，则令 并令 等于回火温度，否则令 、均为0；再将热处理工艺中的退火、淬火、回火所分别对应的温度数据类比公式（3）进行归一化处理，并将归一化处理后的向量记为 ， ，其中，为经过归一化处理后的 ；

冷处理工艺独热编码的独热编码采用如下方式：为第 块玻璃样品创建一个向量，如果玻璃样品采用了研磨工艺，则令 ，否则令 ；

如果玻璃样品采用了抛光工艺，则令 ，否则令 ；以此类推，直至将使用的所有冷处理工艺编码；即每增加一种未列举的冷处理工艺，便使 增加一个维度。