1.一种亚硝态氮浓度软测量预测方法，其特征在于，包括以下步骤：

步骤1：采集养殖水厂数据，运用主成分析法对数据进行辅助变量的选取，所述辅助变量包括温度、pH、溶解氧、氧化还原电位；

步骤2：获取分析后的变量数据和水体中亚硝态氮的浓度，重组数据集，并对数据进行预处理，建立ELM亚硝态氮浓度预测模型；

步骤3：对樽海鞘算法SSA进行改进，采用拉丁超立方抽样对樽海鞘算法SSA种群进行初始化操作；

步骤3‑1：将每一维分成的m个长度相同的区间，使得每个区间有相同的概率；

步骤3‑2：从步骤3‑1每一维所分成m个区间中的每一个区间里随机抽取一个点；

步骤3‑3：再将步骤3‑2中从每一维里的每一个区间随机抽取的点组成向量；

步骤4：在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力；在追随者位置更新中，通过引力搜索策略，由原始的单一个体引导改进为多个个体协同引导，改善原始樽海鞘算法SSA单一的邻域拓扑结构，得到基于Logistic映射与非线性动态权重策略改进的樽海鞘算法LGSSA；

在樽海鞘领导者位置更新中引入Logistic映射与非线性动态权重策略增强算法搜索能力具体包括：

1)利用Losgitic混沌映射生成混沌序列，形式化为：

Ch(t+1)＝β×Ch(t)×(1‑Ch(t))

其中，Ch即为生成的[0,1]间的混沌值，迭代初始时的混沌初值Ch0在每次独立运行过程中随机生成，但不可取值为0、0.25、0.5、0.75和1，这是由Losgitic混沌映射的非周期性决定的；β是控制参数，用于控制混沌值的行为；当β＜3时，混沌值Ch始终收敛在单量上，当β＝

3时，混沌值Ch开始在两个取值间振荡，这一特征行为改变称为分歧点，当3＜β＜4时，混沌值Ch表现出混沌特性，迭代产生类随机分布状态的混沌序列，当β越趋近于4时，混沌特性越明显；

2)在领导者更新公式中引入非线性动态权重策略，动态权重可以描述为：其中，wmax为权值的最大值，wmin为权值的最小值；

3)基于Losgitic映射与非线性动态权重策略的领导者位置更新方式如下：其中， 为第d维链中的第一个位置，Fd为第d维食物位置，ubd为搜索空间的上界，lbd为搜索空间的下界，w为非线性动态权重，Ch为生成混沌序列，c3是0到1之间的任意数；

在追随者位置更新中，通过引力搜索策略，改善原始樽海鞘算法SSA单一的邻域拓扑结构具体为：

1)假设樽海鞘群是按照质量的大小形成链状结构，质量最大的樽海鞘个体具有最小的适应度，并且被认为是群体中的领导者，质量越大的樽海鞘个体对周围的其他个体的吸引力越大，距离越近的两个个体之间的引力也越大，在第t代，将个体j在d维上作用在个体i上的引力定义如下：其中， 和 分别为樽海鞘个体i和j的惯性质量，质量的值使用适应度值计算， 为两个樽海鞘个体i和j之间的欧几里得距离，G为在第t代的引力常数，质量的值及引力常数计算如下：其中，T为最大迭代次数； 为第t代中樽海鞘个体i的适应度值；δ为衰减系数，初始引力常数G0取值为100时使得算法的寻优能力更稳定；

2)樽海鞘个体根据其质量的大小，会受到比自身质量更大的所有个体的引力作用，其位置更新受樽海鞘群中的多个个体的引导，在维度d中，樽海鞘个体i的总力是比其质量更大的个体施加的力的合力，因此，对于跟随者樽海鞘(i≥2)，其合力可以通过如下公式计算：其中，randj为区间[0,1]之间的随机数；应该注意的是，如果j等于i，则吸引力被设置为零，以避免选择当前个体本身；

3)根据牛顿第二定律，在t代，第i只樽海鞘在d维上的加速度公式、对于跟随者樽海鞘(i≥2)，其速度和位置更新方式下所示：其中，randi为区间[0,1]中的均匀随机变量；

步骤5：利用基于Logistic映射与非线性动态权重策略改进的樽海鞘算法LGSSA优化ELM亚硝态氮浓度预测模型的参数，获得最优参数；

步骤6：将获得的最优参数和测试数据样本输入到ELM亚硝态氮浓度预测模型中得到预测结果。

2.根据权利要求1所述的一种亚硝态氮浓度软测量预测方法，其特征在于，所述步骤1中养殖水厂数据采集方法为：利用传感器模块进行数据采集，所述传感器模块包括温度传感器、pH传感器、DO电极、氧化还原电位检测套头以及总氮TN测定仪，pH传感器采用pH检测探头，使用电位分析法测量水体的酸度；DO电极测量水体的溶解氧浓度；氧化还原电位检测套头检测氧化还原电位；辅助变量选择为：温度、pH、溶解氧、氧化还原电位；总氮TN测定仪在线测量水体中亚硝态氮的浓度。

3.根据权利要求1所述的一种亚硝态氮浓度软测量预测方法，其特征在于，所述步骤5具体包括：步骤5‑1：初始化相关算法参数：设置樽海鞘种群数N、空间维度d，最大迭代次数T、搜索空间的上界ub、下界lb和当前迭代次数t＝1，并采用拉丁超立方分层抽样初始化生成当前樽海鞘个体所在的空间位置步骤5‑2：计算经过ELM网络训练的预测值yi与训练样本实际值pi的均方根误差，作为樽海鞘个体适应度值fitness，将当前适应度值确定食物、领导者、追随者的位置：步骤5‑3：确定樽海鞘链的排列形式，以适应度函数作为食物源F，根据适应度值进行排序，获取当前最优适应度值的樽海鞘的位置为食物源F的位置，余后的樽海鞘一半为领导者一半为追随者；

步骤5‑4：判断当前迭代次数t是否达到最大迭代次数T；若达到，则执行步骤5‑6，否则执行步骤5‑5；

步骤5‑5：通过引入Logistic映射与非线性动态权重的领导者公式更新领导者位置，引力策略下的追随者公式更新追随者位置，当前迭代次数t＝t+1，并返回ELM网络训练得到新的预测值，再根据步骤5‑2中公式更新樽海鞘的适应度值，与当前最优解进行比较，若优于当前最优解则更新最优解，否则执行步骤5‑4；

步骤5‑6：输出最优解，从中提取出ELM网络所需的输入层权重w和隐含层偏置b。

4.根据权利要求1所述的一种水体亚硝态氮浓度软测量预测方法，其特征在于，所述步骤5中还包括采用均方根误差RMSE，平均绝对误差MAE，平均绝对百分误差MAPE和决定系数R2

四个评价指标评判当前模型的精确度，采用RMSE，MAE，MAPE，R 四个评价指标公式分别如下：2

其中，MAE为平均绝对误差，RMSE为均方根误差，MAPE为平均绝对百分误差，R为决定系数，为yi为预测值，pi训练样本实际值，为平均值，n为样本个数。