1.一种柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，包括：步骤1对柠檬酸小麦淀粉乳进行扫描，获取训练样本集的NIR光谱数据；

步骤2对获取的NIR光谱数据进行预处理，得到若干个训练样本；

步骤3计算输出变量与各层受限玻尔兹曼机可视层变量之间的相关系数，构造变量加权重构目标函数，对每一层变量加权受限玻尔兹曼机进行预训练；并将上一层变量加权受限玻尔兹曼机的隐藏层数据作为下一层变量加权受限玻尔兹曼机的输入层数据，逐层对加权受限玻尔兹曼机进行预训练；

步骤4利用目标总糖通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的校正模型；并将NIR光谱数据集输入校正模型，进行预测；

步骤5计算输出变量与各层受限玻尔兹曼机变量之间的Pearson相关系数，并根据此相关系数设计相应的加权特征学习目标函数；

步骤6逐层对加权受限玻尔兹曼机进行预训练；将预处理后的光谱数据作为输入，通过新的变量加权特征学习目标函数，对加权受限玻尔兹曼机进行训练，并将上一层加权受限玻尔兹曼机的隐藏层作为下一层的输入层；一层一层由上而下对所有加权受限玻尔兹曼机进行训练；

步骤7对所有受限玻尔兹曼机完成训练之后，基于最终输出层输出变量构建收敛目标函数，通过所述收敛目标函数对深度学习模型进行参数微调整，直至满足预设收敛条件。

2.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤1中，使用NIR光谱仪对柠檬酸小麦淀粉乳进行扫描。

3.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，使用布鲁克MATRIX-F型傅里叶NIR光谱仪对柠檬酸小麦淀粉乳进行扫描。

4.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤2中，对获取的NIR光谱数据采用Savitzky-Golay卷积平滑法进行预处理；Savitzky-Golay卷积平滑又称多项式平滑，是通过多项式来对窗口之内的波谱点进行多项式最小二乘拟合，采用下式表示窗口移动多项式二乘最小二乘拟合法的通式：其中，xk，smooth为波长k处经平滑后的平均值，H为归一化因子， hi为平滑系数，每一测量值乘以平滑系数hi的目的是尽可能减少平滑对有用信息的影响；hi基于最小二乘原理，用多项式拟合求得。

5.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤7中，收敛目标函数为：

其中，n为最终输出层样本个数，yi为光谱数据对应目标理化值， 为模型最终输出层输出目标理化值。

6.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤5具体如下：

计算输出变量与各层受限玻尔兹曼机变量之间的Pearson相关系数，计算式如下：其中，T为样品数，j为输入维度， 为第j个输入的均值，为目标变量均值；

根据相关系数设计权重函数，计算式如下：设计新的变量加权特征学习目标函数：其中，θ表示加权受限玻尔兹曼机中的网络参数合集，P(v)表示训练RBM的似然函数。

7.如权利要求1所述的柠檬酸生产中的小麦淀粉乳总糖的NIR检测方法，其特征在于，步骤4中，所述模型包括两层加权受限玻尔兹曼机，且在训练深度信念网络模型过程中，第一层加权受限玻尔兹曼机的输入变量为预处理后的NIR光谱数据，输出变量为相应的柠檬酸发酵液含糖量；第二层加权受限玻尔兹曼机的输入变量为训练后的所述第一层加权受限玻尔兹曼机的隐藏层特征数据，输出变量为相应的柠檬酸发酵液含糖量；每一个加权受限玻尔兹曼机在训练过程中，通过计算输入变量和输出变量的相关系数，并基于相关系数建立对应的加权目标函数，进而对在加权目标函数下的受限玻尔兹曼机进行训练，再通过梯度下降算法对整个网络模型进行参数微调；构造基于加权深度信念网络的预测模型；利用多个加权受限玻尔兹曼机堆栈成深度信念网络模型，能够逐步获得由低层次到高层次的深度输出相关特征，强化质量指标相关的特征，提供准确的预测值。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一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权利要求1到7任一项所述方法的步骤。

10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1到7任一项所述的方法。