1.基于模型参数的微生物数据可视化图表生成系统，其特征在于，包括：主成分参数获取模块，用于获取微生物培养的历史实验数据，使用PCA方法对所述历史实验数据进行降维，得到降维实验数据；所述历史实验数据包括历史实验参数和统计微生物量；所述降维实验数据包括主成分参数和统计微生物数量，所述主成分参数包括培养环境参数、微生物特性参数和培养过程参数；

对比数据可视化模块，用于通过加权LSTM模型对所述降维实验数据进行建模，得到预训练加权LSTM模型，记录测试集产生的测试微生物量，并与所述统计微生物量进行对比，生成对比可视化图像；LSTM模块，包含三个LSTM子模块，分别用于处理培养环境参数、微生物特性参数和培养过程参数；LSTM模块的三个LSTM子模块分别输出 、 和 ，这些输出可以表示为：；

；

；

其中 表示LSTM子模块， 表示培养环境参数， 表示微生物特性参数，表示培养过程参数， 、 和 分别表示LSTM子模块的权重和偏置；

误差可视化模块，用于记录初始微生物数量，每隔第一时间间隔进行一次微生物数量预测和微生物数量采集，得到预测微生物量和实时微生物量并计算两者之间的实时误差率，生成误差可视化图像；

异常检测模块，用于判断所述实时误差率与误差阈值之间的关系，若所述实时误差率大于误差阈值，标记所述实时误差率的计算时间为异常点，并将所述异常点在所述误差可视化图像中标记；

异常数据可视化模块，用于获取异常点处的异常实验参数，通过局部异常因子算法计算所述异常实验参数的各分量的LOF值，获取异常实验参数的关键异常分量，并输出关键异常分量的可视化图像；获取异常实验参数的异常分量包括：获取异常实验参数，合并所述历史实验参数和所述异常实验参数为完整数据集；采用KNN密度估计计算所述完整数据集每个参数分量的LOF值，确定各参数分量的局部异常程度；设置异常阈值，筛选出LOF值大于所述异常阈值的异常分量，构造异常分量集合；分析所述异常分量集合，找到导致实验数据异常的关键异常分量；每个参数分量的LOF值的计算公式可以表示为：；

其中， 表示参数分量的LOF值，表示KNN算法的最临近点的个数， 表示点 的个近邻点， 表示点 局部可达密度。

2.根据权利要求1所述的基于模型参数的微生物数据可视化图表生成系统，其特征在于，使用PCA方法对所述历史实验数据进行降维包括：对所述历史实验数据的历史实验参数进行缺失值填充、异常值去除和标准化处理，得到标准化实验参数；

计算所述标准化实验参数的协方差矩阵，求解协方差矩阵的特征值和对应的特征向量，获取主成分变化方向；

根据累积方差贡献率选择主成分空间个数，并将所述标准化实验参数投影到选定的主成分空间，得到主成分参数。

3.根据权利要求1所述的基于模型参数的微生物数据可视化图表生成系统，其特征在于，所述加权LSTM模型包括：数据预处理模块，用于清洗和标准化输入数据；

权重分配模块，用于为每个LSTM子模块的输出分配权重；

加权融合模块：将不同LSTM子模块的输出加权求和，得到加权隐藏状态；

输出模块，用于对加权隐藏状态进行预测，输出预测微生物量；

所述加权隐藏状态计算公式为：

；

其中， 表示加权隐藏状态， 表示环境隐藏状态， 表示特性隐藏状态，表示过程隐藏状态， 表示环境权重系数， 表示特性权重系数， 表示过程权重系数。

4.基于模型参数的微生物数据可视化图表生成方法，其特征在于，包括：获取微生物培养的历史实验数据，使用PCA方法对所述历史实验数据进行降维，得到降维实验数据；所述历史实验数据包括历史实验参数和统计微生物量；所述降维实验数据包括主成分参数和统计微生物数量，所述主成分参数包括培养环境参数、微生物特性参数和培养过程参数；

通过加权LSTM模型对所述降维实验数据进行建模，得到预训练加权LSTM模型，记录测试集产生的测试微生物量，并与所述统计微生物量进行对比，生成对比可视化图像；LSTM模块，包含三个LSTM子模块，分别用于处理培养环境参数、微生物特性参数和培养过程参数；

LSTM模块的三个LSTM子模块分别输出 、 和 ，这些输出可以表示为：；

；

；

其中 表示LSTM子模块， 表示培养环境参数， 表示微生物特性参数，表示培养过程参数， 、 和 分别表示LSTM子模块的权重和偏置；

记录初始微生物数量，每隔第一时间间隔进行一次微生物数量预测和微生物数量采集，得到预测微生物量和实时微生物量并计算两者之间的实时误差率，生成误差可视化图像；

判断所述实时误差率与误差阈值之间的关系，若所述实时误差率大于误差阈值，标记所述实时误差率的计算时间为异常点，并将所述异常点在所述误差可视化图像中标记；

获取异常点处的异常实验参数，通过局部异常因子算法计算所述异常实验参数的各分量的LOF值，获取异常实验参数的关键异常分量，并输出关键异常分量的可视化图像；获取异常实验参数的异常分量包括：获取异常实验参数，合并所述历史实验参数和所述异常实验参数为完整数据集；采用KNN密度估计计算所述完整数据集每个参数分量的LOF值，确定各参数分量的局部异常程度；设置异常阈值，筛选出LOF值大于所述异常阈值的异常分量，构造异常分量集合；分析所述异常分量集合，找到导致实验数据异常的关键异常分量；每个参数分量的LOF值的计算公式可以表示为：；

其中， 表示参数分量的LOF值，表示KNN算法的最临近点的个数， 表示点 的个近邻点， 表示点 局部可达密度。

5.根据权利要求4所述的基于模型参数的微生物数据可视化图表生成方法，其特征在于，使用PCA方法对所述历史实验数据进行降维包括：对所述历史实验数据的历史实验参数进行缺失值填充、异常值去除和标准化处理，得到标准化实验参数；

计算所述标准化实验参数的协方差矩阵，求解协方差矩阵的特征值和对应的特征向量，获取主成分变化方向；

根据累积方差贡献率选择主成分空间个数，并将所述标准化实验参数投影到选定的主成分空间，得到主成分参数。

6.根据权利要求4所述的基于模型参数的微生物数据可视化图表生成方法，其特征在于，所述加权LSTM模型包括：数据预处理模块，用于清洗和标准化输入数据；

LSTM模块，包含三个LSTM子模块，分别用于处理培养环境参数、微生物特性参数和培养过程参数；

权重分配模块，用于为每个LSTM子模块的输出分配权重；

加权融合模块：将不同LSTM子模块的输出加权求和，得到加权隐藏状态；

输出模块，用于对加权隐藏状态进行预测，输出预测微生物量；

所述加权隐藏状态计算公式为：

；

其中， 表示加权隐藏状态， 表示环境隐藏状态， 表示特性隐藏状态，表示过程隐藏状态， 表示环境权重系数， 表示特性权重系数， 表示过程权重系数。