1.一种基于栈式自编码器的尾气含硫物质浓度实时预测方法，其特征在于，包括以下步骤：首先，离线建模阶段包括如下所示步骤(1)至步骤(7)；

步骤(1)：利用5个流量仪表实时测量硫回收装置中的样本数据，直至采集得到N个样本数据，分别记录成5个列向量x1,x2,x3,x4,x5，并利用离线分析仪获取相同测量时刻排放尾气中H2S与SO2的N个浓度数据，对应记录成列向量y1与y2，其中xi由第i个流量的N个样本数据组成，i∈{1,2,3,4,5}分别对应于未净化尾气流量，两个燃烧室的空气进料流量，酸‑水汽提过程的气相流量，和酸‑水汽提过程的空气流量；

步骤(2)：根据如下所示公式对x1,x2,x3,x4,x5和y1,y2分别实施归一化处理，对应得到5个数据向量 和2个输出向量 并将数据向量 组建成一个数据矩阵 将输出向量 组建成一个输出矩阵

N×5

其中，R 表示N×5维的实数矩阵， 表示归一化处理后的第i个数据向量， 表示归一化处理后的第j个数据向量，xi(min)表示列向量xi中的最小值，xi(max)表示列向量xi中的最大值，yj(min)与yj(max)分别表示列向量yj中的最小值和最大值，下标号i∈{1,2,…,5}，下标号j∈{1,2}；

20×1

步骤(3)：根据如下所示公式组建输入矩阵Z中的第k列输入向量zk∈R ：T

zk＝[X(k+9),X(k+4),X(k+2),X(k)]                     ②上式中，X(k+9),X(k+4),X(k+2),X(k)分别表示数据矩阵X中的第k+9行，第k+4行，第k+

20×1

2行和第k行的行向量，k∈{1,2,…,n}，R 表示20×1维的实数向量，n＝N‑9，上标号T表示矩阵或向量的转置；

步骤(4)：搭建一个由M层自编码器串联组成的栈式自编码器，并确定隐层神经元激活函数f(u)，输出层神经元激活函数ζ(u)，和各层自编码器的隐层神经元个数h1,h2,…,hM，其中u表示函数自变量；

步骤(5)：利用BP算法依次训练栈式自编码器第1层自编码器，第2层自编码器，直至第M层自编码器的隐层和输出层的权重系数W1,W2,…,WM和 以及隐层和输出层的阈值b1,b2,…,bM和 具体的实施过程如下所示；

步骤(5.1)：第1层自编码器的输入层有20个神经元，隐层有h1个神经元，输出层有2个神经元，分别初始化隐层和输出层的权重系数和阈值；

步骤(5.2)：以z1,z2,…,zn做为第1层自编码器的输入，同时以Y(10),Y(11),…,Y(N)做为第1层自编码器的输出，利用BP算法训练得到第1层自编码器的隐层和输出层的权重系数和 以及隐层和输出层的阈值 和 后，初始化m＝1，其中Y(10),Y(11),…,Y(N)分别表示输出矩阵Y中的第10列，第11列，至第N列的向量；

步骤(5.3)：第m+1层自编码器的输入层有hm个神经元，隐层有hm+1个神经元，输出层有2个神经元，并分别初始化隐层和输出层的权重系数和阈值；

步骤(5.4)：将第m层自编码器隐层的输出向量g1(m),g2(m),…,gn(m)组建成矩阵Gm＝T T T[g1(m),g2(m),…,gn(m)] ，并将矩阵Gm与输入矩阵Z合并成一个矩阵Hm＝[Gm,Z] ，其中，g1(m),g2(m),…,gn(m)的计算方式如下所示：上式中，k∈{1,2,…,n}；

步骤(5.5)：以矩阵Hm的n个列向量做为第m+1层自编码器的输入，同时以Y(10),Y(11),…,Y(N)做为第m+1层自编码器的输出，再次利用BP算法训练得到第m+1层自编码器的隐层和输出层的权重系数 和 以及隐层和输出层的阈值和 其中 表示(hm+20)×hm+1维的实数矩阵， 表示hm+1×

1维的实数向量；

步骤(5.6)：判断是否满足m+1＜M；若是，则设置m＝m+1后返回步骤(5.3)；若否，则训练结束，保留栈式自编码器所有的权重系数W1,W2,…,WM和 以及阈值b1,b2,…,bM和步骤(6)：根据公式 计算出第m层自编码器的输出估计向量并将其组成输出估计矩阵 重复步

骤(6)直至得到各层自编码器的输出估计矩阵 其中，m∈{1,2,…,M}；

步骤(7)：将输出估计矩阵 中的第一列向量组成硫化氢浓度估计矩阵 将输出估计矩阵 中的第二列向量组成二氧化硫浓度估计矩阵再分别计算最小二乘回归系数向量 和 其中列向量

由输出向量 的第10至第N个元素组成，列向量 由输出向量 的第10至第N个元素组成；

上述实施步骤完成了对尾气硫物质浓度的软测量建模，接下来就是利用在线实时测量的5个流量数据，实现对尾气硫物质浓度，也就是H2S与SO2浓度的实时在线预测，具体实施步骤如下所示；

步骤(8)：在最新采样时刻t，对5个流量仪表测量到的数据v1(t),v2(t),v3(t),v4(t),v5(t)进行归一化处理，得到归一化后的数据 具体的归一化方式如下所示：

上式中，i∈{1,2,3,4,5}；

T

步骤(9)：根据at＝[v(t),v(t‑5),v(t‑7),v(t‑9)]组建最新采样时刻的输入向量at，其中，行向量 v(t‑5),v(t‑7),v(t‑9)分别表示t‑5采样时刻，t‑7采样时刻，t‑9采样时刻的测量数据经归一化处理后所组建的行向量；

步骤(10)：以输入向量at做为栈式自编码器的输入，依次计算得到第1层自编码器，第2层自编码器，直至第M层自编码器的输出估计向量 具体的实施过程如下所示；

T

步骤(10.1)：根据公式c1＝f(W1 at+b1)计算第1层自编码器隐层的输出向量c1，再根据公式 计算第1层自编码器的输出估计向量 并初始化m＝2；

步骤(10.2)：将第m‑1层自编码器的隐层输出向量cm‑1与输入向量at合并成一个列向量后，再根据公式 计算第m层自编码器隐层的输出向量cm；

步骤(10.3)：根据公式 计算第m层自编码器的输出估计向量步骤(10.4)：判断是否满足m＜M；若是，则设置m＝m+1后，返回步骤(10.2)；若否，则得到第M个输出估计向量步骤(11)：将输出估计向量 中第一个元素合并成硫化氢浓度估计向量 将输出估计向量 中第二个元素合并成二氧化硫浓度估计向量

步骤(12)：根据公式 和 分别计算出 和 后，再根据计算出t采样时刻的尾气硫化氢与二氧化硫的浓度

预测值分别为y1t与y2t，其中j∈{1,2}；

步骤(13)：返回步骤(8)，继续实施对下一个最新采样时刻的尾气硫物质浓度的在线预测。