1.一种基于改进PSO-BP神经网络的数据预测方法，其特征在于：该方法包括如下步骤：

1)、BP神经网络模型构建，过程如下：

(1.1)输入层和输出层节点数确定

神经网络模型用公式描述为：

Tout＝f(Tin1,Tin2,…,Tinn) (1)式中：Tout是神经网络需要预测的数据值，Tin1～Tinn分别是神经网络输入层输入的n个数据值；

(1.2)隐层节点数确定

BP神经网络隐层层数采用1层，在隐层节点的选择上使用公式(2)来确定：式中：n为输入层节点数，q为输出层节点数，a为1～10之间的常数；

BP神经网络模型的基本结构公式：

Y＝Sigmoid[W2*Sigmoid(W1*X-O1)-O2] (3)式中：X为BP神经网络输入矩阵；Y为BP神经网络输出矩阵；W1，W2分别为BP神经网络中输入层到隐层、隐层到输出层的连接权值矩阵；O1，O2为BP神经网络中输入层到隐层、隐层到输出层的阈值矩阵，激励函数Sigmoid为

2)、采用改进粒子群算法优化BP神经网络模型构建，过程如下：(2.1)粒子群算法粒子速度改进

粒子速度调整公式为：

式中： 为当前需要速度调整粒子的第k代位置矢量；c1、c2、c3为学习因子；r1、r2、r3为[0,1]之间的随机数；

(2.2)粒子群算法粒子惯性权重改进

惯性权重w是用来调整粒子前一次的速度对当前速度的影响程度，通过二次函数拟合推导，提出如下权值调整公式：式中：wmax为初始惯性权重，wmin为最终惯性权重，kmax为最大迭代次数，k为当前迭代次数；

(2.3)确定粒子群算法中粒子维数

根据已确定的BP神经网络预测模型，确定BP神经网络中连接权值和阈值总数，连接权值和阈值总数公式：d＝np+pq+p+q (6)

式中：d为连接权值和阈值总数，n为输入层节点数，p为隐层节点数，q为输出层节点数；

(2.4)改进粒子群算法优化BP神经网络实现通过对粒子速度和位置调整使得BP神经网络的连接权值和阈值不断更新换代，使得BP神经网络总误差小于设定值或者达到迭代次数，过程如下：(2.4.1)根据BP神经网络的阈值、权值来确定粒子维数，并产生初始粒子群；

(2.4.2)通过适应度函数 计算适应值f，根据适应值f小于设定值或达到迭代次数为原则，评价每一代粒子群中的所有个体，并从中找到当前最优位置pi，再与已获得的最优位置pg进行比较生成新的pg，经过多次迭代，直到找到全局最优位置pg；

(2.4.3)依据pg确定BP神经网络的初始连接权值和阈值；

(2.4.4)训练BP神经网络，得到最终的BP神经网络预测模型；

(2.4.5)训练结束；

3)、数据预测模块生成及应用

使用MATLAB7.1实现(2.4)的设计流程，得到最终的BP神经网络预测模型，选用MATLAB7.1和VC6作为开发工具将预测模型转换成DLL文件；按步骤分别在MATLAB中进行mex–setup，mbuild–setup操作，设置好编译器；在设置完参数之后，命令行中输入mcc–W cpplib:shujuyuce–T link:lib shujuyuce.m生成DLL文件；生成的DLL文件由编程软件调用，将预测数据与采集数据进行对比，以实际采集数据为准，计算预测数据与采集数据之差是否大于设定阈值，若大于设定阈值则视为数据“坏点”。