1.一种基于BP神经网络模型的数字收发组件故障预测方法，其特征在于：该故障预测方法包括向BP神经网络模型输入收发组件的状态参数的归一化样本数据，计算状态参数的预测值，将所述状态参数的预测值与其参考值作比较分析，输出故障预测结果；

计算状态参数的预测值的步骤如下：

S11，对状态参数的样本数据进行归一化处理：

其中,ai为状态参数的第i个样本数据，n为状态参数的样本数据的总数，max(ai)和min(ai)分别为状态参数的最大值和最小值，xi为状态参数的归一化的第i个样本数据；

S12，建立BP神经网络模型的拓扑结构，所述拓扑结构包括输入层、隐含层和输出层，向所述BP神经网络模型的输入层输入状态参数的归一化样本数据，计算隐含层的输出值，根据隐含层的输出值，计算输出层所输出的状态参数的预测值。

2.如权利要求1所述的数字收发组件故障预测方法，其特征在于：S12的具体步骤如下：S121，计算隐含层的第j个神经元的输出值hj：

S122，计算输出层第k个神经元输出的状态参数的预测值yk：

其中，m为输入层神经元个数，即向输入层输入的归一化的样本数据的数量，m≤n；g为输出层神经元个数，即需要输出的预测值的数量；f为隐含层神经元个数；xi为公式(1)中的状态参数归一化的第i个样本数据，其作为BP神经网络模型输入层第i个神经元的输入值；

wij为BP神经网络模型输入层的第i个神经元与隐含层的第j个神经元之间的权值；wjk为BP神经网络模型隐含层的第j个神经元与输出层的第k个神经元之间的权值；θj为BP神经网络模型隐含层的第j个神经元的阈值；θk为BP神经网络模型输出层的第k个神经元的阈值；

其中，f的计算公式为：

f＝log2m      (5)

其中，a为调节常数。

3.如权利要求2所述的数字收发组件故障预测方法，其特征在于：S122中的BP神经网络模型的权值wij、wjk和阈值θj和θk通过粒子群优化算法获得，具体步骤如下：S1221，确定粒子群中的个体粒子的维数D：

D＝m×f+f×g+f+g      (6)

维数D即为BP神经网络模型的权值和阈值的总数，粒子群包含若干个体粒子；

S1222，初始化粒子群中的个体粒子的速度及位置，在[-10,10]内随机产生个体粒子的初始位置，在[-1,1]内随机产生个体粒子的初始速度；

S1223，以BP神经网络模型的误差函数作为粒子群适应度函数E1：

其中，s为训练样本总数；yi为BP神经网络模型的输出层输出的状态参数的预测值yk中的值，yi的开始值是通过随机产生个体粒子的初始位置赋值给BP神经网络模型而产生的预测值；oi为BP神经网络模型样本数据中的期望输出值；

S1224，计算每个个体粒子的适应度函数E1值，比较当前个体粒子的适应度函数E1值与上一代个体粒子的适应度函数E1值，个体粒子的适应度函数E1值小者作为个体极值；比较整个粒子群中当前代的最小适应度函数E1与上一代的最小适应度函数E1，粒子群的最小适应度函数E1小者作为群体极值；

S1225,利用个体极值及群体极值更新粒子的速度及位置，公式如下：

vij(t+1)＝w×vij(t)+c1×r1×[qij-bij(t)]+c2×r2×[qgj-bij(t)]   (8)bij(t+1)＝bij(t)+vij(t+1)     (9)

其中，vij(t+1)和vij(t)分别为粒子的第t+1次迭代粒子i速度的第j维分量和第t次迭代粒子i速度的第j维分量；bij(t+1)和bij(t)分别为粒子的第t+1次迭代i位置的第j维分量和第t次迭代i位置的第j维分量；qij为第i个体粒子的第t代的个体极值对应的第j维位置分量，即个体最优位置；qgj为粒子的第t代的群体极值对应的第j维位置分量，即全局最优位置；c1和c2为加速系数；w为惯性因子；r1和r2为[0,1]之间的随机数；

S1226，将经过迭代更新的位置和速度代入公式(7)，计算适应度函数E1值，当适应度函数E1值满足最小训练误差或达到最大迭代次数后，终止训练，此时群体极值对应的粒子即为最优粒子；将最优粒子的位置按照排列顺序赋值给BP神经网络模型的权值wij、阈值θj、权值wjk和阈值θk，作为权值wij、wjk和阈值θj、θk的初始值，否则重复上述步骤S1223-S1225，直至满足最小训练误差或达到最大迭代次数。

4.如权利要求3所述的数字收发组件故障预测方法，其特征在于：加速系数c1和c2与惯性因子w的更新公式为：其中，ω0和ω1分别为惯性因子ω的开始值和最终值；c10、c11分别为c1的开始值和最终值；c20、c21分别为c2的开始值和最终值；k1、K分别为迭代次数的当前值和最大值； 为第k1次迭代次数后得到的惯性因子； 为第k1次迭代次数后得到的加速系数c1； 为第k1次迭代次数后得到的加速系数c2。

5.如权利要求4所述的数字收发组件故障预测方法，其特征在于：通过训练误差E2的反向传播，对BP神经网络模型的权值wij、wjk和阈值θj、θk进行修正，将修正的权值wij、wjk和阈值θj、θk代入公式(2)和(3)对预测值yk进行修正，得到修正之后的预测值y′k，具体步骤如下：S51，确定样本训练误差E2:

其中，s为训练样本总数；y′i为权值wij、wjk和阈值θj、θk代入公式(2)和(3)计算的BP神经网络模型输出层的预测值；oi为BP神经网络模型样本数据中的期望输出值；

S52，若样本训练误差E2大于最小训练误差，则对权值wij、wjk和阈值θj、θk进行修正：其中w′ij为权值wij修正之后的值；w′jk为权值wjk修正之后的值；θ′k为阈值θk的修正之后的值；θ′j为θj的修正之后的值； 为输出层M的局部梯度；

为隐含层H的局部梯度；u为常量；f′(xi)为函数 在xi处的导

数值；

S53,将步骤S52修正之后的权值w′ij、w′jk和修正之后的阈值θ′k、θ′j带入公式(13)计算样本误差E2，当样本误差E2达到最小训练误差或训练次数达到最大训练次数时，终止网络训练，输出修正之后的预测值y′k，将y′k作为最终的预测值，否则，重复步骤S51-S52，直至样本误差E2达到最小训练误差或训练次数达到最大训练次数。

6.如权利要求1-5任一项所述的数字收发组件故障预测方法，其特征在于：所述状态参数包括温度、工作电压、输出功率和接收通道增益；若满足工作电压的预测值小于其参考值、输出功率的预测值小于其参考值、接收通道增益的预测值小于其参考值和温度的预测值高于其参考值中的任一项，则输出故障预测结果。

7.一种如权利要求1-5任一项所述的采用数字收发组件故障预测方法的预测系统，其特征在于：该预测系统包括用于采集状态参数的数据采集模块(1)、用于传输状态参数的数据传输模块(2)和监控管理模块(3)；所述数据采集模块(1)通过其通信接口向数据传输模块(2)发送状态参数的数据，所述数据传输模块(2)通过其网络接口向监控管理模块(3)发送状态参数。

8.如权利要求7所述的预测系统，其特征在于：所述数据采集模块(1)包括用于获取收发组件状态参数的温度采集单元(11)和机内测试单元(12)，该状态参数包括温度采集单元(11)获取的温度和机内测试单元(12)获取的工作电压、输出功率和接收通道增益；所述数据传输模块(2)包括FPGA单元(21)和通信单元(22)；所述温度采集单元(11)和机内测试单元(12)的输出端均连接FPGA单元(21)的输入端，所述FPGA单元(21)的输出端连接通信单元(22)的输入端。

9.如权利要求8所述的预测系统，其特征在于：所述监控管理模块(3)为服务器，包括数据处理单元、存储单元和故障预测单元；所述通信单元(22)的输出端连接数据处理单元的输入端，数据处理单元将超出状态参数正常范围的数据剔除，根据不同程度的故障和状态参数的性能变化，构建故障数据库，故障数据库包括样本数据，并将其存放在存储单元中；

故障预测单元根据BP神经网络模型对样本数据进行故障预测。