1.一种基于四元数卷积神经网络的近红外光谱并行融合定量建模方法，其特征在于，包括以下步骤：步骤1、基于公开数据库获得样本的原始光谱数据；

步骤2、基于样本的原始光谱数据，采用导数光谱法获得原始光谱的一阶导数光谱和二阶导数光谱；

步骤3、将原始光谱数据、一阶导数光谱和二阶导数光谱进行归一化；并按照波数对齐光谱数据，分别对应四元数的i，j，k三个虚部，四元数实部为零，将经过归一化的原始光谱数据、经过归一化的一阶导数光谱和经过归一化的二阶导数光谱嵌入四元数空间表示成纯四元数光谱矩阵形式；

步骤4、在一维卷积神经网络模型基础上，以所述纯四元数光谱矩阵作为输入数据，建立四元数卷积神经网络模型；

步骤5、对所述四元数卷积神经网络模型进行训练，通过参数寻优确定所述四元数卷积神经网络模型中参数的最优值；

步骤6、根据训练好的四元数卷积神经网络模型进行样本的成分定量预测，得到样本的成分定量预测结果。

2.如权利要求1所述的基于四元数卷积神经网络的近红外光谱并行融合定量建模方法，其特征在于，所述样本为玉米，玉米原始光谱数据为240*700矩阵形式，包括240行，每行代表一条光谱，每一条光谱包括按列存储的700个吸光度值，水分、蛋白质的真值数据为80*

2矩阵形式，包括80行，每行代表一个玉米样本的水分和蛋白质含量，包括2列，一列为水分含量，另一列为蛋白质含量。

3.如权利要求2所述的基于四元数卷积神经网络的近红外光谱并行融合定量建模方法，其特征在于，一阶导数光谱为240*699，二阶导数光谱为240*698；将所述一阶导数光谱和所述二阶导数光谱均扩展为240*700形式，所缺元素用0补全。

4.如权利要求1所述的基于四元数卷积神经网络的近红外光谱并行融合定量建模方法，其特征在于，将原始光谱数据、一阶导数光谱和二阶导数光谱进行归一化包括：采用归一化法将原始光谱数据、一阶导数光谱和二阶导数光谱进行归一化。

5.如权利要求1所述的基于四元数卷积神经网络的近红外光谱并行融合定量建模方法，其特征在于，所述建立四元数卷积神经网络模型包括：将卷积核扩展为四元数卷积核；

输入数据为四元数矩阵，经过四元数卷积层和四元数池化层后，最终经过全连接层，即为四元数卷积神经网络模型。

6.如权利要求1所述的基于四元数卷积神经网络的近红外光谱并行融合定量建模方法，其特征在于，所述四元数卷积神经网络模型进行训练包括：将原始光谱数据、一阶导数光谱、二阶导数光谱组成的四元数矩阵及对应样本的水分和蛋白质真值随机划分为60％训练集、20％验证集和20％测试集；

利用所述训练集训练所述四元数卷积神经网络模型，通过参数寻优，得到最优参数，确定模型参数；所述参数至少包括：四元数卷积核的个数、池化层的尺寸、学习率的大小、全连接层神经元个数；

利用所述验证集验证所述四元数卷积神经网络模型的性能；

利用所述测试集测试所述四元数卷积神经网络模型，使用预测均方根误差和预测相关系数作为模型的评价指标。