1.一种基于PLS‑PSO‑RBF神经网络模型的污水质量监测方法，其特征在于，具体包括如下所示步骤：步骤(1)：先确定输入变量，具体由污水进站，曝气池，和沉淀池三个污水处理环节的15个测量变量组成；其中，污水进站的6个测量变量依次是：入水流量，入水温度，入水色度，入水氯离子浓度，入水悬浮物固体浓度，入水PH值；曝气池的4个测量变量依次是：污水色度，污水氯离子浓度，污水悬浮物固体浓度，污水PH值；沉淀池的5个测量变量依次是：污水PH值，污泥量，悬浮物固体浓度，污水色度，污水氯离子浓度；再确定输出变量，具体包括4个测量变量，依次是：生化需氧量，化学需氧量，总磷浓度，和污泥体积指数；

步骤(2)：连续采集n天的数据，并将每天采集到的输入变量与输出变量对应的数据分别存储为一个15×1维与4×1维的数据向量，则可得到输入数据向量x1，x1，…，xn和输出数

15×1

据向量y1，y2，…，yn；其中，第i天的输入数据向量xi∈R 中的元素按照步骤(1)中15个输

4×1

入变量的先后顺序排列，第i天的输出数据向量yi∈R 中的元素按照步骤(1)中4个输出变

15×1 4×1

量的先后顺序排列，i∈{1，2，…，n}，R 与R 分别表示15×1维与4×1维的实数向量，R表示实数集；

T T

步骤(3)：组建矩阵X＝[x1，x2，…，xn] 与矩阵Y＝[y1，y2，…，yn] 后，再根据如下所示公式分别对X与Y中的各个列向量实施归一化处理，得到归一化后的输入矩阵与输出矩阵

其中，上标号T表示矩阵或向量的转置，j∈{1，2，…，15}，k∈{1，2，3，4}，zj(min)和zj(max)分别表示zj中元素的最小值和最大值，εj(min)和εj(max)分别表示εj中元素的最小值和最大值，zj和 分别表示X和 中的第j列的列向量，εk和 分别表示Y与 中第k列的列向量；

步骤(4)：使用5‑折交叉验证法建立 与 之间的PLS模型： 其中，输入特征

15×A 15×A

矩阵 P∈R 与Q分别表示输入载荷矩阵和输出载荷矩阵，E为残差矩阵，R 表示

15×A维的实数矩阵，A表示输入特征的个数；

步骤(5)：搭建一个三层的RBF神经网络，并使用PSO算法优化得到隐层神经元的中心点向量c1，c2，…，cn，具体的实施过程如步骤(5.1)至步骤(5.5)所示；其中，输入层神经元的个数等于A，隐层神经元的个数等于n，输出层神经元的个数等于4；

步骤(5.1)：初始化迭代次数g＝0，确定PSO算法的参数，具体包括：粒子个数等于N，加速因子α1与α2，最大迭代次数M，和惯性权重δg；其中，惯性权重δg是根据如下所示公式从δmax＝1.2线性递减到δmin＝0.4：步骤(5.2)：随机产生N个n×A维的粒子矩阵U1，U2，…，UN，每个粒子矩阵中的元素都按照均匀分布随机取值于区间[0，1]；

步骤(5.3)：计算粒子矩阵U1，U2，…，UN分别对应的适应度L1，L2，…，LN；其中，计算第γ个粒子矩阵Uγ对应的适应度Lγ的具体实施过程如步骤(5.3‑1)至步骤(5.3‑3)所示；

n×A

步骤(5.3‑1)：分别将S∈R 中的各个行向量s1，s2，…，sn作为RBF神经网络的输入，根据如下所示公式计算RBF神经网络的隐层输出向量v1，v2，…，vn：2

其中，exp()表示以自然常数e为底数的指数函数，||si‑Uγ(h)||＝[si‑Uγ(h)][si‑UγT n×1(h)] ，vi(h)表示vi∈R 中的第h个元素，Uγ(h)表示第γ个粒子矩阵Uγ中的第h行的行向n×1量，ζγ表示第γ个粒子矩阵Uγ对应的RBF参数，h∈{1，2，…，n}，γ∈{1，2，…，N}，R 表示n×1维的实数向量；

步骤(5.3‑2)：根据 计算第γ个粒子矩阵Uγ对应的输出层权重矩阵θγn×4 T

∈R 后，再计算得到RBF神经网络的输出层估计矩阵 其中，Vγ＝[v1，v2，…，vn] ；

步骤(5.3‑3)：根据公式 计算第γ个粒子矩阵Uγ对应的适应度Lγ；其中，表示计算矩阵 中所有元素的平方和；

步骤(5.4)：将L1，L2，…，LN中最小值对应的粒子矩阵，RBF参数，和输出层权重矩阵分别记录为Ubest，ζbest和θbest后，再执行PSO算法的种群更新操作，得到更新后的N个粒子矩阵U1，U2，…，UN；

步骤(5.5)：判断是否满足条件g＞M；若否，则设置g＝g+1后返回步骤(5.3)；若是，则将Ubest中的各个行向量依次记录为隐层神经元的中心点向量c1，c2，…，cn；

步骤(6)：搭建优化后的RBF神经网络模型，其中，输入层神经元的个数等于A，隐层神经元的个数等于n，输出层神经元的个数等于4，隐层神经元的中心点向量是c1，c2，…，cn，RBF参数为ζbest，输出层权重矩阵为θbest；

步骤(7)：根据步骤(1)中的15个输入变量，采集污水处理厂新一天的数据，并将其存储为一个1×15维的数据向量x；其中，数据向量x中的元素需依次按照步骤(1)中所述的15个输入变量的先后顺序进行排列；

步骤(8)：按照公式 对x中的各个元素进行归一

化处理，得到归一化后的数据向量 其中，j∈{1，2，…，15}，x(j)与 分别表示x与中的第j个元素；

1×A

步骤(9)：根据公式 计算输入特征向量s∈R 后，再利用步骤(6)中优化后的RBF神经网络模型，计算得到输出估计向量 具体的实施过程如步骤(9.1)至步骤(9.2)所示；

n×1

步骤(9.1)：根据如下所示公式计算RBF神经网络的隐层输出向量u∈R ：

2 T

上式中，u(h)表示u中的第h个元素，||s‑ch||＝(s‑ch)(s‑ch) ，h∈{1，2，…，n}；

步骤(9.2)：根据公式 计算得到输出估计向量

步骤(10)：根据公式 分别计算生化需氧量y(1)，化学需氧量y(2)，总磷浓度y(3)，污泥体积指数y(4)；其中，k∈{1，2，3，4}， 表示 中的第k个元素。

2.根据权利要求1所述的一种基于PLS‑PSO‑RBF神经网络模型的污水质量监测方法，其特征在于，所述步骤(4)中使用5‑折交叉验证法建立 与 之间的PLS模型的具体实施过程如下所示：步骤(4.1)：将输入矩阵 划分成5个子输入矩阵X1，X2，…，X5，并对应的将输出矩阵 划分成5个子输出矩阵Y1，Y2，…，Y5；其中， 表示nm×15维的实数矩阵，m∈{1，2，3，4，5}，n1+n2+n3+n4+n5＝n，划分子输入矩阵与子输出矩阵的具体实施过程如步骤(A)至步骤(C)所示；

步骤(A)：设置n1等于n除以5的商，再将 中第1行至第n1行的行向量组成第1个子输入矩阵X1，并将 中第1行至第n1行的行向量组成第1个子输出矩阵Y1；

步骤(B)：设置n4＝n3＝n2＝n1后，依次将 中第n1+1行至第2n1行的行向量，第2n1+1行至第3n1行的行向量，第3n1+1行至第4n1行的行向量分别组成子输入矩阵X2，X3，X4，并同时对应的将 中相同行的行向量分别组成子输出矩阵Y2，Y3，Y4；

步骤(C)：设置n5＝n‑4n1后，将 中最后n5行的行向量组成子输入矩阵X5，并将 中最后n5行的行向量组成子输出矩阵Y5；

步骤(4.2)：将第m个子输入矩阵Xm和子输出矩阵Ym分别当成测试输入矩阵与测试输出矩阵，再将其余的4个子输入矩阵合并成一个训练输入矩阵X0，其余的4个子输出矩阵合并成一个训练输出矩阵Y0；

步骤(4.3)：利用PLS算法建立X0与Y0之间的PLS模型： 其中，S0＝X0P0，E0为

15×j

残差矩阵，P0∈R 和Q0分别为输入载荷矩阵和输出载荷矩阵；

步骤(4.4)：根据公式 计算当j分别等于1，2，…，15时，测试输入矩阵对应的测试误差H(m，j)；其中， 表示计算矩阵 中所有元素的平方和；

步骤(4.5)：重复上述步骤(4.2)至步骤(4.4)，从而得到当m分别等于1，2，…，5时，测试

5×15

输入矩阵对应的测试误差后，再将所得的测试误差组建成误差矩阵H∈R ；其中，H中的第m行第j列元素等于H(m，j)；

1×15

步骤(4.6)：计算误差矩阵H中所有行向量的均值向量f∈R ，并设置A等于f中元素最小值所在的列，即f中第A列的元素最小；

步骤(4.7)：利用PLS算法建立 与 之间的PLS模型： 其中，保留的输入特征的个数等于A。