1.一种用于重金属含量预测的PSO-BP神经网络模型训练方法，其特征在于，所述方法包括：对样本土壤进行重金属含量的测定处理，获得样本土壤的重金属含量数据；

对样本土壤进行光谱反射率处理，获得处理后的样本土壤的光谱反射率曲线；

根据所述样本土壤的重金属含量数据和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理，获得样本土壤的特征波段；

构建PSO-BP神经网络模型；

采用所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行训练学习，直至所述PSO-BP神经网络模型收敛；

所述采用所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行训练学习，直至所述PSO-BP神经网络模型收敛，包括：将所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行训练学习，输出预测值；

判断所述预测值与实测值之间的绝对误差值是否大于预设阈值，若否，则所述PSO-BP神经网络模型收敛；

若是，基于反向算法对所述PSO-BP神经网络模型的进行权重更新，并采用所述样本土壤的特征波段进行重新训练；

所述将所述样本土壤的特征波段输入构建好的PSO-BP神经网络模型进行训练学习，包括：将所述样本土壤的特征波段入构建好的PSO-BP神经网络模型进行训练学习时，所述样本土壤的特征波段每个波段光谱值的极值和所有光谱值的极值更新自身的速度和位置，其中更新公式如下：其中，w为惯量权重；e表示样本土壤特征波段，e＝1,2,3,…，e为大于0的整数；i＝1,2,

3,…,n，n表示输入层的节点数；k为当前迭代次数；Vie表示第i节点和第e个样本土壤特征波段的光谱段因子的速度；t1和t2表示非负的常数，称为加速度因子；r1和r2表示分布于[0，1]之间的随机数；Pbentie表示第i节点和第e个样本土壤特征波段的光谱极值；Gbent表示所有光谱值的极值；

所述构建PSO-BP神经网络模型，包括：

构建BP神经网络模型；

基于粒子群算法的全局搜索能力优化构建好的BP神经网络模型的结构和连接权重，获取PSO-BP神经网络模型；

所述构建BP神经网络模型的隐含层的输出函数为：

所述构建BP神经网络模型的输出层的输出函数为：

其中，所述构建BP神经网络模型的隐含层的激活函数为Sigmoid函数；

其中，Hj为第j个隐含层节点的值，n表示输入层的节点数，i＝1,2,3,…,n；l表示隐含层节点数，j＝1,2,3,…,l，Xi表示输入层中第i节点输入的特征波段；aj表示输入层和隐含层间中第j个隐含层节点的阈值，wij表示输入层中第i个节点和隐含层间中第j个隐含层节点的链接权重；Ok表示输出层输出的第k个预测值，其中，k＝1,2,3,…,m；wjk表示输出层中第k个节点和隐含层间中第j个隐含层节点的链接权重；bk表示隐含层和输出层第k个输出预测值之间的阈值。

2.根据权利要求1所述的PSO-BP神经网络模型训练方法，其特征在于，所述对样本土壤进行重金属含量的测定处理，获得样本土壤的重金属含量数据，包括：称取样本土壤0.2g，采用盐酸-硝酸-氢氟酸对0.2g样本土壤进行溶解，在溶解后蒸至干燥形成干燥固体；

采用5％的盐酸对所述干燥固体进行加热溶解，溶解之后领用纯水定容至20ml；

基于火焰原子吸收光谱法检测样本土壤中的重金属镉元素的含量，基于原子荧光光谱法检测样本土壤中的重金属汞元素和砷元素的含量，获得样本土壤的重金属含量数据；

所述样本土壤的重金属含量数据包括样本土壤的重金属镉元素含量数据、样本土壤的重金属汞元素含量数据和样本土壤的重金属砷元素含量数据。

3.根据权利要求1所述的PSO-BP神经网络模型训练方法，其特征在于，所述对样本土壤进行光谱反射率处理，获得处理后的样本土壤的光谱反射率曲线，包括：对样本土壤进行光谱反射率进行测定，获取样本土壤的原始光谱反射率的曲线；

基于Savitzky-Golay平滑算法对原始光谱反射率的曲线进行平滑处理，获取平滑后的光谱反射率曲线；

对所述平滑后的光谱反射率曲线中的光谱进行光谱变换处理，获得处理后的样本土壤的光谱反射率曲线；

其中光谱变换处理分别包括：连续统去除处理、一阶微分处理、二阶微分处理、倒数变换处理和倒数对数处理；

所述处理后的样本土壤的光谱反射率曲线包括：光谱反射率连续统去除曲线、光谱反射率一阶微分曲线、光谱反射率二阶微分曲线、光谱反射率倒数变换曲线和光谱反射率倒数对数曲线。

4.根据权利要求1所述的PSO-BP神经网络模型训练方法，其特征在于，所述根据所述样本土壤的重金属含量数据和所述处理后的样本土壤的光谱反射率曲线进行特征波段选取处理，获得样本土壤的特征波段，包括：基于Pearson相关系数分析所述处理后的样本土壤的光谱反射率曲线与所述样本土壤的重金属含量数据之间的相关性，获取相关系数；

基于所述相关系数筛选出显著性水平大于预设值的所述处理后的样本土壤的光谱反射率曲线的波段，作为样本土壤的特征波段；

其中，基于Pearson相关系数分析所述处理后的样本土壤的光谱反射率曲线与所述样本土壤的重金属含量数据之间的相关性的公式如下：其中，rd表示所述处理后的样本土壤的光谱反射率曲线与所述样本土壤的重金属含量数据之间的相关系数；xcd表示第c样本土壤的第d个波段的光谱反射率； 表示第d个波段中所有样本土壤的光谱反射率的平均值，c＝1,2,3,…,h；yc表示第c个样本土壤重金属含量值，表示样本土壤重金属含量的平均值。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4中任意一项所述的PSO-BP神经网络模型训练方法。

6.一种终端设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序配置用于：执行根据权利要求1至4中任意一项所述的PSO-BP神经网络模型训练方法。