1.一种葡萄酒产地智能识别方法，其特征在于，包括以下步骤：采集待检测葡萄酒的光谱数据，并绘制光谱图；

对所述光谱图进行预处理，所述预处理包括降维和去噪；

利用预先训练好的预测模型从预处理后的光谱图中提取出特征变量，并对提取出的特征变量进行分类，基于各特征变量的分类确定出葡萄酒的产地；

所述预测模型为支持向量机分析的RBM串联多层BP神经元网络模型，所述预测模型通过将多个RBM进行多层串联作为前向算法，后项的更新算法采用BP算法，并融合支持向量机算法而训练得到；

所述预测模型通过以下步骤训练而得：

S201，收集若干份不同产地的葡萄酒样品，并随机将葡萄酒样品划分为训练集和测试集；

S202，针对于训练集和测试集，采集葡萄酒样品的光谱数据，并绘制光谱图，以及对光谱图进行预处理；

S203，利用初始搭建的预测模型对训练集中预处理之后的光谱图进行特征变量提取和预测分类；

S204，采用四极飞行时间质谱仪对葡萄酒中的酚类成分及花色苷成分进行检测；

S205，通过步骤204中所得的检测结果对步骤S203中得到的特征变量的分类进行校正，对预测模型进行优化，得到优化后的预测模型，然后返回步骤S203，且在步骤S203中，利用优化后的预测模型对原样本的光谱图重新提取特征和预测分类；校正时，寻找四极飞行时间质谱仪检测显示的差异成分对应的近红外光谱波数范围，对比该近红外光谱波数范围与预测模型提取特征范围是否一致，若不一致，则对预测模型进行参数的调整或增加隐藏层，以实现预测模型修正；

循环执行步骤S203‑S205，直至训练结束；

所述步骤S203中，包括步骤：

（1）输入预处理后的光谱数据进行预训练，分别单独无监督的训练每一层RBM网络，然后将多层RBM网络叠加；

（2）在多层RBM网络的最后一层设置BP网络,接收RBM的输出特征向量作为输入特征向量,有监督地训练分类器；

（3）融合Boosting与SVM算法训练分类器，得到所述预测模型。

2.根据权利要求1所述的葡萄酒产地智能识别方法，其特征在于，在步骤S205之后还包括步骤：S206，利用测试集对训练结束后得到的预测模型进行测试，以验证预测模型的准确性。

3.一种葡萄酒产地智能识别系统，其特征在于，包括：

光谱图绘制模块，用于采集待检测葡萄酒的光谱数据，并绘制光谱图；

预处理模块，用于对所述光谱图进行预处理，所述预处理包括降维和去噪；

产地识别模块，用于利用预先训练好的预测模型从预处理后的光谱图中提取出特征变量，并对提取出的特征变量进行分类，基于各特征变量的分类确定出葡萄酒的产地；

所述预测模型为支持向量机分析的RBM串联多层BP神经元网络模型，所述预测模型通过将多个RBM进行多层串联作为前向算法，后项的更新算法采用BP算法，并融合支持向量机算法而训练得到；

模型训练模块，用于训练得到所述预测模型；所述模型训练模块包括：样本收集子模块，用于收集若干份不同产地的葡萄酒样品，并随机将葡萄酒样品划分为训练集和测试集；

预处理子模块，用于针对于训练集和测试集，采集葡萄酒样品的光谱数据，并绘制光谱图，以及对光谱图进行预处理；

预测子模块，用于利用初始搭建的预测模型对训练集中预处理之后的光谱图进行特征变量提取和预测分类；包括：（1）输入预处理后的光谱数据进行预训练，分别单独无监督的训练每一层RBM网络，然后将多层RBM网络叠加；（2）在多层RBM网络的最后一层设置BP网络,接收RBM的输出特征向量作为输入特征向量,有监督地训练分类器；（3）融合Boosting与SVM算法训练分类器，得到所述预测模型；

检测子模块，采用四极飞行时间质谱仪对葡萄酒中的酚类成分及花色苷成分进行检测；

修正子模块，通过所得的检测结果对预测子模块输出的特征变量的分类进行校正，对预测模型进行优化；校正时，寻找四极飞行时间质谱仪检测显示的差异成分对应的近红外光谱波数范围，对比该近红外光谱波数范围与预测模型提取特征范围是否一致，若不一致，则对预测模型进行参数的调整或增加隐藏层，以实现预测模型修正；

结束判断子模块，用于判断训练是否结束，如果未结束，则驱动预测子模块利用优化后的预测模型对原样本的光谱图重新提取特征和预测分类，以及驱动修正子模块对预测模型进行优化，直至判断出训练结束。

4.一种计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时使处理器执行权利要求1‑2任一所述方法中的操作。

5.一种电子设备，其特征在于，包括：

存储器，存储程序指令；

处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1‑2任一所述方法。