1.一种基于神经网络的卡尔曼滤波甲醛检测方法，其特征在于，包括以下步骤：

1)初始化检测环境，确定环境参数：使用传感器对环境中的甲醛含量进行多次取样，得出一组取样数据；将取样数据最大检测值记为Zmax，最小检测值记为Zmin，求此组数据均方差并除以2得到检测误差的近似方差G；

2)设检测误差为G，令零时刻状态值X(0)分别为Zmin和Zmax，对不同的状态转移量Φ，使用公式X(t+1)＝Φ(t)X(t)和Z(t)＝X(t)+v(t)模拟检测过程，v(t)为数值模拟出的服从均值为零，方差为G的检测误差，得出不同的状态转移量Φ对应的一组检测数据Z；

3)建立两输入一输出结构的神经网络，两输入为模拟检测数据每组中t、t+1时刻的检测值Z(t)、Z(t+1)，输出为t时刻的Φ(t)值，采用BP神经网络，附加动量学习规则，训练神经网络；

4)开始检测过程：设定初始甲醛检测值Z(0)为(Zmax+Zmin)/2，将此时传感器取得的甲醛检测值记为Z(1)，将Z(0)、Z(1)输入神经网络，得出神经网络预测估计的Φ(1)值，确定此时刻的状态方程，迭代卡尔曼滤波估计方程，得出此时的甲醛估计值 输出显示结果；

5)判断是否停止检测，如果不停止，则转步骤6)；如果停止检测，则进入休眠状态；

6)记上一次传感器取得的甲醛检测量为Z(t-1)，当前时刻传感器取得的甲醛检测量为Z(t)，将Z(t-1)与Z(t)输入神经网络，得出当前时刻的状态转移量Φ(t)的值，确定当前时刻的状态方程，记上一次的甲醛估计值为 迭代卡尔曼滤波估计方程，得出当前时刻的甲醛估计值 输出显示结构；

7)判断是否要初始化环境，若是，转步骤1)，若否，则转步骤6)。

2.如权利要求1所述的基于神经网络的卡尔曼滤波甲醛检测方法，其特征在于，包括以下步骤：

1)预估计：

其中 为估计值， 为预估计值，Φ(t)为状态转移量；

2)计算预估计协方差矩阵：

其中P(t)为估计协方差， 为预估计协方差，Φ(t)为状态转移量，Φ'(t)为Φ(t)的转置；

3)计算卡尔曼增益矩阵：

其中K(t)为卡尔曼增益，G为检测误差的近似方差；

4)更新估计：

5)更新估计协防差矩阵：

6)每取得一次检测值，重复迭代上述步骤一次。

3.如权利要求1所述的基于神经网络的卡尔曼滤波甲醛检测方法，其特征在于，所述附加动量学习规则如下：其中△ω(t)＝ω(t)-ω(t-1)，ω(t)为神经网络各个节点的权重，ET为神经网络的训练误差，η为权重，a为动量因子，取0.95。