1.一种基于混沌-RBF神经网络预测ENPEMF信号包络趋势的方法，其特征在于，包括以下步骤：S1、采集若干个ENPEMF信号，利用混沌理论来验证采集到的ENPEMF信号是否具有混沌特性；将所有具有混沌特性的ENPEMF信号，应用到步骤S2；

S2、利用假邻近法和自相关函数法，求解每个具有混沌特性的ENPEMF信号的嵌入维数和时间延迟；其中，根据所求的两项参数，来反映地震之前ENPEMF信号强度数据隐藏的变化特点；

S3、将具有混沌特性的ENPEMF信号分成训练数据和预测数据；以训练数据作为待优化的RBF神经网络的输入，对所述待优化的RBF神经网络进行优化训练；其中，将步骤S2所求的嵌入维数，作为所述待优化的RBF神经网络中输入层的输入节点个数；隐含层的隐节点个数，根据训练结果进一步确定；输出层的输出节点个数固定为1；

S4、将预测数据作为优化后的RBF神经网络的输入，根据输出结果预测ENPEMF信号的包络趋势。

2.根据权利要求1所述的混沌-RBF神经网络算法，其特征在于，步骤S2中，利用假邻近法求解ENPEMF信号的嵌入维数的步骤包括：S21、构造m维第一重构向量ym(n)；

S22、采用欧式度量确定第一重构向量ym(n)的第一紧邻点y'm(n)；

S23、构造m+1维第二重构向量ym+1(n)；

S24、采用欧式度量决定第二重构向量ym+1(n)的第二紧邻点y'm+1(n)；

S25、当m+1维空间中确定的第二紧邻点y'm+1(n)等于m维空间中确定的第一紧邻点y'm(n)时，选择当前第一重构向量ym(n)的维数m作为嵌入维数，并执行步骤S3；其他情况下，返回步骤S21对第一重构向量的维数进行调整，直到输出嵌入维数时，则执行步骤S3。

3.根据权利要求1所述的混沌-RBF神经网络算法，其特征在于，步骤S2中，对于一个ENPEMF信号，其自相关函数的数学表达式为：针对上述给定的自相关函数表达式，做出其关于时间t的函数图像；其中，参数τ为时间延迟，且时间延迟τ取函数第一次经过零点时，所对应的时间t0；参数N为ENPEMF时间序列长度。

4.根据权利要求1所述的混沌-RBF神经网络算法，其特征在于，步骤S3中在对RBF神经网络进行训练的过程中，首先预先设定一个训练精度值A，针对RBF神经网络的输入层，将步骤S2中得到的嵌入维数作为输入层的输入节点个数，在将训练数据输入到输入层后，对RBF神经网络进行预训练，在网络的输出值趋近训练精度值A时，停止训练，并将当前训练所得的网络作为优化后的RBF神经网络，来对每个ENPEMF信号的包络趋势进行预测；

其中，每次训练过程中，隐含层的隐节点个数由小到大增加，直到RBF神经网络的输出值达到预设的训练精度值A时，将当前设定的节点个数作为RBF神经网络中隐含层的隐节点个数。

5.根据权利要求4所述的混沌-RBF神经网络算法，其特征在于，由于性能指标的选取会影响到RBF神经网络的输出精度，为了得到合适的精度又不出现过拟合的负面效果，将性能指标设定为0.01。

6.一种基于混沌-RBF神经网络来预测ENPEMF信号包络趋势的系统，其特征在于，该系统包括以下模块：混沌信号验证模块，用于采集若干个ENPEMF信号，利用混沌理论来验证采集到的ENPEMF信号是否具有混沌特性；

参数计算模块，用于利用假邻近法和自相关函数法，求解每个具有混沌特性的ENPEMF信号的嵌入维数和时间延迟；其中，根据所求的两项参数，来反映地震之前ENPEMF信号强度数据隐藏的变化特点；

RBF神经网络训练模块，用于将具有混沌特性的ENPEMF信号分成训练数据和预测数据；

以训练数据作为待优化的RBF神经网络的输入，对所述待优化的RBF神经网络进行优化训练；其中，将参数计算模块所求的嵌入维数，作为所述待优化的RBF神经网络中输入层的输入节点个数；

包络趋势预测模块，用于将预测数据作为优化后的RBF神经网络的输入，根据输出结果预测ENPEMF信号的包络趋势。

7.根据权利要求6所述的混沌-RBF神经网络算法，其特征在于，参数计算模块中，利用假邻近法求解ENPEMF信号的嵌入维数的步骤包括：S21、构造m维第一重构向量ym(n)；

S22、采用欧式度量确定第一重构向量ym(n)的第一紧邻点y'm(n)；

S23、构造m+1维第二重构向量ym+1(n)；

S24、采用欧式度量决定第二重构向量ym+1(n)的第二紧邻点y'm+1(n)；

S25、当m+1维空间中确定的第二紧邻点y'm+1(n)等于m维空间中确定的第一紧邻点y'm(n)时，选择当前第一重构向量ym(n)的维数m作为嵌入维数；其他情况下，返回步骤S21对第一重构向量的维数进行调整，直到输出嵌入维数时。

8.根据权利要求6所述的混沌-RBF神经网络算法，其特征在于，参数计算模块中，对于一个ENPEMF信号，其自相关函数的数学表达式为：针对上述给定的自相关函数表达式，做出其关于时间t的函数图像；其中，参数τ为时间延迟，且时间延迟τ取函数第一次经过零点时，所对应的时间t0；参数N为ENPEMF时间序列长度。

9.根据权利要求6所述的混沌-RBF神经网络算法，其特征在于，RBF神经网络训练模块中在对RBF神经网络进行训练的过程中，首先预先设定一个训练精度值A，针对RBF神经网络的输入层，将参数计算模块中得到的嵌入维数作为输入层的输入节点个数，在将训练数据输入到输入层后，对RBF神经网络进行预训练，在网络的输出值趋近训练精度值A时，停止训练，并将当前训练所得的网络作为优化后的RBF神经网络，来对每个ENPEMF信号的包络趋势进行预测；

其中，每次训练过程中，隐含层的隐节点个数由小到大增加，直到RBF神经网络的输出值达到预设的训练精度值A时，将当前设定的节点个数作为RBF神经网络中隐含层的隐节点个数。

10.根据权利要求9所述的混沌-RBF神经网络算法，其特征在于，RBF神经网络训练模块中，由于性能指标的选取会影响到RBF神经网络的输出精度，为了得到合适的精度又不出现过拟合的负面效果，将性能指标设定为0.01。