1.一种基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，包括：

S10、基于卷积神经网络构建生物滴滤处理网络模型；

S20、使用训练样本对所述生物滴滤处理网络模型进行训练；

S30、将生物滴滤塔的实时参数输入训练完成的生物滴滤处理网络模型，由所述训练完成的生物滴滤处理网络模型给出参数匹配方案，所述参数匹配方案为所述生物滴滤塔运行的依据。

2.根据权利要求1所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述训练样本包括以下参数：进入生物滴滤塔进气口的混合气体参数、喷淋泵参数、工作液参数、液体分布器参数以及排气口排出气体参数；所述生物滴滤塔的实时参数与所述训练样本一致。

3.根据权利要求2所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述进入生物滴滤塔进气口的混合气体参数包括：进气流量、气体温度、气体压力、混合气体中有机污染物浓度；所述喷淋泵参数包括喷淋泵抽取工作液的流量；所述工作液参数包括工作液温度、PH值；所述液体分布器参数包括分别与上段填料、中段填料和下段填料对应的液体喷淋器出液量；所述排气口排出气体参数包括有机污染物剩余浓度。

4.根据权利要求3所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述生物滴滤处理网络模型结构如图2所示。

5.根据权利要求4所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，步骤S20中所述生物滴滤处理网络模型的训练过程如下：S21、获取所述训练样本中的参数，其中，所述训练样本中的参数是用于生成所述生物滴滤处理网络模型给出参数匹配方案的依据；

S22、将所述训练样本中的参数中的每个参数输入所述生物滴滤处理网络模型；

S23、所述生物滴滤处理网络模型通过遗传算法选取各个参数之间的最佳匹配参数，形成参数匹配方案；

S24、所述生物滴滤处理网络模型将所述参数匹配方案发送至所述生物滴滤塔。

6.根据权利要求3所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述生物滴滤塔进气口设置有测量所述进气流量及所述气体温度的气体流量计、测量所述气体压力的气体压力传感器以及测量所述混合气体中有机污染物浓度的第一气体传感器。

7.根据权利要求6所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述喷淋泵进液口设置有所述喷淋泵测量抽取工作液的流量的液体流量计以及测量所述工作液的温度的温度传感器和测量PH值的PH计；对应上段填料、中段填料和下段填料的液体喷淋器出分别设置有测量出液量的流量计；所述排气口设置有测量有机污染物剩余浓度的第二气体传感器。

8.根据权利要求1所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述卷积神经网络包括输入层、卷积层、池化层，所述卷积层层数为16、卷积核大小为3*3的卷积层和层数为5的最大池化层。

9.根据权利要求1所述的基于卷积神经网络的生物滴滤塔处理有机废气的方法，其特征在于，所述训练样本包括80％的训练样本和20％的测试训练样本。