1.一种基于AQPSO‑RBF神经网络的水质BOD测量方法，其特征在于，所述方法包括以下步骤：步骤1：数据预处理，过程如下：

步骤1.1：采用拉依达准则进行数据清洗，将离群值删除；

步骤1.2：通过水厂提供的数据集进行数据分析，得到数据各自的量级不同，数据的量级不同会直接影响神经网络的预测，因此直接将数据进行归一化处理；

步骤2：基于RBF神经网络的模型，过程如下：

RBF神经网络包含三层，输入层、隐含层及输出层，其中输入层为各个传感器的输入形T成的输入向量X(t)＝[s1,s2,…,sN] ，其中s代表传感器，N代表共有N个传感器作为输入，输入层获取数据后会向隐含层传递数据，所述传感器的输入包括温度、溶解氧、pH、氧化还原电位和化学需氧量；

网络的第i个隐含层节点的输出为：

其中，i∈[1,HNums])，HNums为神经元数据， 为第i个隐含层的输出，ui为第i个隐含层节点的数据中心，σi为第i个隐含层神经元的扩展常数，‖.‖为范数；

输出层采用线性组合得到网络输出，即预测的BOD值；

然后通过隐含层与输出层之间的连接权值更新RBF神经网络权重系数，通过训练达到收敛，得到最后预测完的BOD值；

输出层将输入结果线性组合得到输出值:

其中wi是网络第i个神经元与输出层之间的连接权值；

步骤3：基于AQPSO‑RBF神经网络的模型，过程如下：步骤3.1：设计PSO‑RBF：

3.1.1)初始化粒子群以及RBF神经网络，确定粒子群规模，由传感器数量的来确定粒子维数,建立PSO粒子的维度空间与神经网络连接权值之间的映射；

3.1.2)设定粒子种群规模，最大迭代次数为Tmax，随机生成粒子群位置X和速度V：其中M＝h(n+1)，h是隐含层的节点个数，n为输入特征向量的维数；

3.1.3)计算各个粒子的适应度，使用神经网络的RMSE作为PSO的适应度函数：其中fitness(i)表示第i个粒子的适应度函数，RMSE表示RBF的径向基层的输出的均方误差；

其中t代表训练总样本数，o是输出层的总节点个数，yij表示第i个样本在输出层第j个节点的实际输出值， 表示第i个样本在输出层第j个节点的预测BOD值；

3.1.4)对于每个粒子，比较fitness值与它经历过最好位置fitness，如果更好，那么就更新个体最优值；

3.1.5)对于每个粒子，比较fitness值和群体所经过的最好位置的fitness，如果更好，那么就更新全局最优值；

3.1.6)根据vi+1＝ωvi+c1r1(pid‑xi)+c2r2(pgd‑xi)和xi+1＝xi+vi+1两式子更新粒子的速度和位置，其中惯性权重ω为0.2、个人学习因子c1为2，社会学习因子 其中Tmax为最大迭代次数，t为当前迭代次数；

3.1.7)重复3.1.6)，直到网络RMSE的精度达到设定的要求为止；

步骤3.2：改进PSO算法中的策略，取消了粒子的移动方向属性，粒子位置的更新跟该粒子之前的运动没有任何关系；引入Mbest作为个体最优值pbest的平均值其中M表示粒子群的大小，pbest_i表示当前迭代中的第i个pbest；

步骤4：水质BOD值预测，过程如下：

步骤4.1：将训练数据集输入改进后的AQPSO‑RBF神经网络中，然后再将测试数据输入AQPSO‑RBF来动态改变网络，得到最终BOD预测模型；

步骤4.2：将各传感器接入物联网网关，通过网关内部的AQPSO‑RBF的BOD预测模型获取各传感器的值，实时输出水质BOD的预测值。

2.如权利要求1所述的一种基于AQPSO‑RBF神经网络的水质BOD测量方法，其特征在于，所述步骤3.2中，粒子位置更新:Pi＝ρ×pbest_i+(1‑ρ)gbest，其中gbest表示当前全局最优值，Pi用于第i个粒子位置的更新；位置更新： 其中 为更新参数，ρ和f都是(0，1)上的均匀分布数值，都取值为0.5。

3.如权利要求1或2所述的一种基于AQPSO‑RBF神经网络的水质BOD测量方法，其特征在于，所述步骤3.2中，引入距离概念，计算每个粒子i相对于其他粒子的平均距离其中N是种群的大小，D为传感器的数量维度；

选出di中最好的值dg，计算di中最大的距离为dmax，最小距离的dmin，则进化因子

4.如权利要求1或2所述的一种基于AQPSO‑RBF神经网络的水质BOD测量方法，其特征在于，所述步骤3.1中，惯性权重ω自适应，以平衡全局和局部的搜索能力且

其中ω初始值为0.9，为了算法开始时最大化探索。