1.一种基于数据融合的矿井煤尘浓度测量的方法，其特征在于包括以下步骤：

(1)收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

(2)对光信号进行去除噪声和粗大误差预处理，将预处理后的光信号进行电信号转换显示处理；

(3)设定神经网络隐含层神经元个数；在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；基于煤尘粒径的Rosin-Rammler函数分布，对多层前向神经网络BP获取的神经网络数据融合模型参数进行修正；

(4)将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度，在步骤(2)中，所述去除噪声和粗大误差预处理包括以下步骤：首先基于光电探测器获取I1和I2，并基于煤尘粒径分布符合Rosin-Rammler函数分布，函数关系式如下所示，设n＝3、a为煤尘粒径、入射光的强度I0为固定、典型折射率m＝1.57-0.56i，获得最佳系数k1和k2分别为 和 从而得到C1＝k1I1，C2＝k2I2，其中，C1为大颗粒物的质量浓度，I1为θ处的大颗粒散射光强，θ为散射角，C2为小颗粒物的质量浓度，I2为θ处的小颗粒散射光强，由此得到大小颗粒物的浓度值，所述步骤(3)具体包括：

1)制定网络的拓扑结构，将网络设置为三层；

2)设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

3)计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

4)以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

5)对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系。

2.一种基于数据融合的矿井煤尘浓度测量的装置，其特征在于，包括：

浓度收集模块，用于收集煤尘前向±8°附近以及后向180°附近的散射光能，测量散射光在前向空间积分强度得到粒径a≧5μm颗粒的浓度，以及测量后向空间积分强度得到粒径a≦5μm的小颗粒的浓度；

信号处理模块，用于对光信号进行去除噪声和粗大误差预处理，将预处理后的光信号进行电信号转换显示处理；

数据融合修正模块，用于建立基于多层前向神经网络BP的神经网络数据融合模型：包括设定神经网络隐含层神经元个数，在对采集的待处理样本信息进行神经网络训练识别，将误差逐渐缩小至要求范围之内；以及用于基于煤尘粒径的Rosin-Rammler函数分布，对BP获取的神经网络数据融合模型参数进行修正；

信号输出模块，用于将大颗粒浓度值和小颗粒浓度值输入修正后的神经网络数据融合模型计算出空间中煤尘的浓度；其中，所述浓度收集模块、信号处理模块、数据融合修正模块以及信号输出模块依次连接。

3.如权利要求2所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述浓度收集模块包括激光器、准直透镜、半透半反棱镜、第一聚焦透镜、前向光电探测器、第二聚焦透镜、后向光电探测器以及光陷阱；其中，激光由激光器发射后经准直透镜、半透半反棱镜后进入煤尘循环测量区，经煤尘循环测量区中煤尘粒径a≦5μm反射的激光穿过煤尘循环测量区，再经第一聚焦透镜聚焦后照射在光陷阱上，所述光陷阱与前向光电探测器连接，所述前向光电探测器与信号处理模块连接；

煤尘循环测量区中煤尘粒径a≥5um反射的激光进入半透半反棱镜折射，再经第二聚焦透镜聚焦至后向光电探测器；

所述前向光电探测器和后向光电探测器均与信号处理模块连接。

4.如权利要求3所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述浓度收集模块还包括光电探测器以及第三聚焦透镜；其中，所述激光进入煤尘循环测量区并反射的激光进入半透半反棱镜，由相反于第二聚焦透镜方向一侧射出，并经第三聚焦透镜聚焦至光电探测器；所述光电探测器与信号处理模块连接。

5.如权利要求4所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述信号处理模块包括信号调理模块、A/D转换模块、微处理器模块、存储模块、显示模块、D/A转换模块，其中，所述光电探测器、前向光电探测器以及后向光电探测器均与信号调理模块连接，所述信号调理模块、A/D转换模块、微处理器模块、D/A转换模块依次连接，所述存储模块、显示模块均与微处理器模块连接。

6.如权利要求5所述的基于数据融合的矿井煤尘浓度测量的装置，其特征在于，所述数据融合修正模块包括：网络拓扑结构设定模块，用于制定网络的拓扑结构，将网络设置为三层；

网络参数设定模块，用于设定网络的参数，包括分类精度、循环次数和样本特征值向量的各个常数因子，对网络进行初始化设置；

网络输出精度判断模块，用于计算各层网络输入矩阵的权值系数和输出，判断该网络的输出精度是否达到要求，首先判断某一样本的输出误差是否达到了预先设定的误差要求，若否，则修改权值系数后返回重新计算；若是，则继续判断全部样本的输出误差是否在要求的范围之内；若全部样本的输出误差在误差要求范围内则继续向下执行，判断循环次数是否超过设定的最大循环次数，若是，则该网络没有实现预期效果，需要修正网络的参数；

输出误差调节模块，用于以修正后的网络参数对各层网络输入矩阵进行上述计算，直到对比实际输出和期望输出后，样本信息识别归为输出误差最小的一类；

以经济模型参数修正模块，用于对BP获取的模型参数，基于Rosin-Rammler分布进行修正，得到最优输入输出线性关系；其中，所述D/A转换模块、网络拓扑结构设定模块、网络参数设定模块、网络输出精度判断模块、输出误差调节模块、模型参数修正模块以及信号输出模块依次连接。