1.一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，包括以下步骤：S1：采集在不同初始条件下厌氧消化反应过程中污水的各个特征的含量和硫化氢产生量分别作为深度神经网络的输入和输出变量，所有收集的数据作为原始数据集和测试集，共采集m次；各个特征的含量为 硫化氢产生量数据集为 整合原始数据为测试集 其中k为对废水中进行数据采集的各特征的数量，m为实验过程中采集的次数， 为第k个特征在第m次采集到的值，hm为第m次采集到的硫化氢产生量；

S2：对收集的原始数据集采用虚拟扩充方法生成虚拟数据集；

S3：对虚拟数据集进行预处理，即可得到预处理后的虚拟数据集，并将其作为深度神经网络的训练集；

S4：建立深度神经网络由输入层、隐藏层、输出层组成，对深度神经网络的隐藏层的层数和隐藏层神经元的数量进行设计，对深度神经网络的激活函数和学习函数进行选择；

S5：利用训练集即虚拟数据集对深度神经网络进行迭代训练得到训练后的深度神经网络；

S6：采用测试集对模型进行测试并根据评估函数进行模型优劣的评估，若满足对硫化氢产成量的预测精度要求，模型训练成功，若未满足，返回S4。

2.根据权利要求1所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，

2‑

步骤S1中所述特征为SO4 浓度、COD、BOD5、TOC、pH、CH4产量或VFAs含量一种或多种。

3.根据权利要求1所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，步骤S2中对收集的原始数据集采用虚拟扩充方法生成虚拟数据集，具体步骤如下：k k

步骤1，计算各个特征的平均值μ和标准差σk k

式中， 是第k个特征中的第i个原始数据，μ是第k个特征的平均值，σ是第k个的特征的标准偏差；

步骤2，计算虚拟数据生成的上边界和下边界k k

上边界：LB＝μ+σ

k k

下边界：LB＝μ‑σ

步骤3，生成虚拟数据集

对第i次采集的数据 每次生成的虚拟数据集为循环z次共生成z组虚拟数据集为 对每一次采集的数据均生成虚拟数据集得到所有的虚拟数据集为 其中， 代表第i次采集数据的第k个特征在第c次生成的虚拟数据。

4.根据权利要求1所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，步骤S3中采用公式： 对产生的虚拟数据集进行归一化得到数据集k k

其中vmax为虚拟数据集中第k个特征的最大值，vmin为虚拟数据集中第k个特征的最小值。

5.根据权利要求1所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，步骤S4的具体步骤如下：

步骤i，对隐藏层的层数及每一层神经元的数量进行设计以确定深度神经网络的结构，输入层的的神经元的个数与在不同初始条件下厌氧消化反应过程中污水采集的各个特征的数量相同，输出层的神经元为硫化氢产生量；

步骤ii,对输入层、隐藏层、输出层之间的超参数权重(w)、偏差(b)、学习率(η)进行初始化设置；对隐藏层神经元和输出层神经元选择合适激活函数；

步骤iii,选择合适的训练算法在神经网络的训练过程中进行迭代训练。

6.根据权利要求5所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，步骤ii中所述激活函数为Relu，Sigmoid，Tanh或linear。

7.根据权利要求5所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，步骤iii中所述的训练算法为Gradient descent backpropagation或Levenberg‑Marquardt backpropagation。

8.根据权利要求1所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，步骤S6的具体评估如下：使用S3获得的训练集对S5建立的深度神经网络进行训练，训练完成后使用S1获得的测试集对训练完的深度神经网络进行测试，根据验证函数评判深度神经网络的预测精度要求，若达不到要求，返回S4，迭代直至深度神经网络满足预测精度要求。

9.根据权利要求8所述的一种厌氧消化中硫化氢产生量的智能预测方法，其特征在于，所述验证函数为MSE，MAE或MAPE中一种。