1.基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，其特征在于：包括以下步骤：S1：数据处理，建立防眩玻璃化学侵蚀工艺数据集，该数据集包括防眩玻璃化学侵蚀工艺过程中的侵蚀温度、侵蚀时间数据以及与侵蚀温度和侵蚀时间对应的玻璃透过率数据，并对数据集中的玻璃透过率进行标准化处理：；

其中，μ为所有样本数据的均值，σ为所有样本数据的标准差，为标准化后玻璃透过率数据，为未标准化前的玻璃透过率数据；

S2：确定侵蚀温度及侵蚀时间的优化范围，通过分析玻璃透过率的主效应图等，删除主效应值不显著的水平，确定侵蚀温度及侵蚀时间的优化范围；

S3：利用BP神经网络构建侵蚀温度、侵蚀时间与玻璃透过率的关系模型，侵蚀温度和侵蚀时间作为网络输入，玻璃透过率作为网络输出，通过对BP神经网络模型参数的调整设置，构建较为理想的网络模型；

S4：BP神经网络寻优搜索,在构建良好网络模型的基础上，利用BP神经网络模型的高泛化能力对最优参数组合寻优搜索，初次迭代中，在S2中确定的侵蚀温度及侵蚀时间的优化范围中赋值，并作为神经网络的检测样本，利用BP神经网络模型的泛化能力对检测样本预测出预测玻璃透过率数据，在最优的预测玻璃透过率所对应的侵蚀温度及侵蚀时间组合上下小范围波动，作为下次神经网络迭代的检测样本，并预测出预测玻璃透过率数据，通过多次迭代，将迭代范围逐渐减小，搜索最优侵蚀温度和侵蚀时间组合。

2.如权利要求1所述的基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，其特征在于：所述S2的具体方法为：利用Minitab软件得到玻璃透过率的主效应图以及玻璃透过率与侵蚀温度和侵蚀时间的等值线图，通过主效应图和等值线图确定侵蚀温度及侵蚀时间的优化范围。

3.如权利要求1所述的基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，其特征在于：所述S3的具体方法为：以侵蚀温度和侵蚀时间为因子，玻璃透过率为响应,温度水平和时间水平作为输入向量，响应变量玻璃透过率作为输出向量，构造含有一个隐层的BP神经网络模型结构，设置隐层的神经元个数为10，隐层传递函数为tansig，输出层传递函数为线性函数purelin，训练函数用trainlm，训练精度目标值、速度和循环次数分别设置为

0.001、0.001和300。

4.如权利要求1所述的基于BP神经网络的防眩玻璃化学侵蚀工艺参数优化方法，其特征在于：所述S4中确定迭代次数的具体方法为：假设第i次迭代的最优响应值为 ，其未标准化前为 ，  ；

  ；

整理后如下：

 ；

将 作为第i次迭代的实际优化增值，根据上述公式将迭代优化值转化为响应实际优化增值，由于比较响应值的实际优化增值直观，可以有效解决盲目迭代优化的问题，以较少迭代次数达到较优的响应值，即以合理的实际优化增值确定神经网络的迭代次数。