1.一种近红外光无创测量人眼房水组分浓度的方法，其特征在于，包括：
采集人眼房水样品校正集的校正近红外光谱数据及校正组分浓度数据；
根据所述校正近红外光谱数据及所述校正组分浓度数据，利用偏最小二乘法建立偏最小二乘法模型；
通过波段优选方法对所述偏最小二乘法模型的近红外光谱进行波段筛选，得到数学校正模型；
采集人眼房水待测样品的待测近红外光谱数据；
通过所述数学校正模型对所述待测近红外光谱数据进行组分浓度预测，得到所述人眼房水待测样品的组分浓度预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述校正近红外光谱数据及所述校正组分浓度数据，利用偏最小二乘法建立偏最小二乘法模型，包括：
对所述校正近红外光谱数据及所述校正组分浓度数据进行矩阵化处理，得到校正光谱矩阵及校正浓度矩阵；
利用偏最小二乘法，分别对所述校正光谱矩阵和所述校正浓度矩阵进行主成分运算，得到所述校正光谱矩阵及所述校正浓度矩阵的得分矩阵、载荷矩阵及残差矩阵；
根据所述得分矩阵、所述载荷矩阵及所述残差矩阵，进行多元线性回归处理，得到系数矩阵；
根据所述系数矩阵，构建得到偏最小二乘法模型。
3.根据权利要求2所述的方法，其特征在于，所述波段优选方法为组合移动区间偏最小二乘法，
所述通过波段优选方法对所述偏最小二乘法模型的近红外光谱进行波段筛选，得到数学校正模型，包括：
对所述校正近红外光谱数据进行预处理，得到近红外光谱的波长点及波长数；
根据所述组合移动区间偏最小二乘法，在所述近红外光谱的光谱区间中设置宽度可变的波长区间，最小波长区间的波长数为预先设置，从第一个起始波长点开始，依次向右移动一个波长点直到最后波长点，在每个波长点处，波长区间的大小由最小波长区间数依次增加到最大，且每次增加一个所述最小波长区间；
依次选取不同的起始波长点和波长区间，分别建立偏最小二乘法模型，得到不同的起始波长点和波长区间对应的局部预测模型；
对每一个局部预测模型均利用交叉有效性方法，确定最佳主成分数，得到不同的起始波长点和波长区间对应的局部最优预测模型；
比较所述局部最优预测模型，筛选出全局最优预测模型，作为数学校正模型。
4.根据权利要求2所述的方法，其特征在于，所述波段优选方法为改进遗传算法，
所述通过波段优选方法对所述偏最小二乘法模型的近红外光谱进行波段筛选，得到数学校正模型，包括：
对所述校正近红外光谱数据进行预处理，得到近红外光谱的波长点及波长数；
根据所述波长点及所述波长数，将所述近红外光谱分成多个等分区间，将每一个等分区间的波长点进行编码，得到每一个等分区间的基因；
建立初始群体，所述初始群体的个体数和基因长度为预先设定；
根据遗传算法，对基因进行复制、交叉和变异处理，直到最大繁殖，通过自适应函数判断每一个等分区间建立的偏最小二乘法模型，确定最优等分区间组合；
根据所述最优等分区间组合，建立最优偏最小二乘法模型，作为数学校正模型。
5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
基于双隐层人工神经网络，构建所述数学校正模型的人工神经网络；
通过所述人工神经网络对所述数学校正模型进行迭代修正处理，使得所述数学校正模型的误差处于预期范围之内。
6.一种近红外光无创测量人眼房水组分浓度的系统，其特征在于，包括：
数据采集模块，用于采集人眼房水样品校正集的校正近红外光谱数据及校正组分浓度数据；
基础模型构建模块，用于根据所述校正近红外光谱数据及所述校正组分浓度数据，利用偏最小二乘法建立偏最小二乘法模型；
优化模型构建模块，用于通过波段优选方法对所述偏最小二乘法模型的近红外光谱进行波段筛选，得到数学校正模型；
所述数据采集模块，还用于采集人眼房水待测样品的待测近红外光谱数据；
优化模型模块，用于通过所述数学校正模型对所述待测近红外光谱数据进行组分浓度预测，得到所述人眼房水待测样品的组分浓度预测结果。
7.根据权利要求6所述的系统，其特征在于，所述基础模型构建模块包括：
矩阵化处理单元，用于对所述校正近红外光谱数据及所述校正组分浓度数据进行矩阵化处理，得到校正光谱矩阵及校正浓度矩阵；
主成分运算单元，用于利用偏最小二乘法，分别对所述校正光谱矩阵和所述校正浓度矩阵进行主成分运算，得到所述校正光谱矩阵及所述校正浓度矩阵的得分矩阵、载荷矩阵及残差矩阵；
多元线性回归单元，用于根据所述得分矩阵、所述载荷矩阵及所述残差矩阵，进行多元线性回归处理，得到系数矩阵；
基础模型构建单元，用于根据所述系数矩阵，构建得到偏最小二乘法模型。
8.根据权利要求7所述的系统，其特征在于，所述波段优选方法为组合移动区间偏最小二乘法，
所述优化模型构建模块包括：
光谱预处理单元，用于对所述校正近红外光谱数据进行预处理，得到近红外光谱的波长点及波长数；
波长区间设置单元，用于根据所述组合移动区间偏最小二乘法，在所述近红外光谱的光谱区间中设置宽度可变的波长区间，最小波长区间的波长数为预先设置，从第一个起始波长点开始，依次向右移动一个波长点直到最后波长点，在每个波长点处，波长区间的大小由最小波长区间数依次增加到最大，且每次增加一个所述最小波长区间；
优化模型构建单元，用于依次选取不同的起始波长点和波长区间，分别建立偏最小二乘法模型，得到不同的起始波长点和波长区间对应的局部预测模型；
所述优化模型构建单元，还用于对每一个局部预测模型均利用交叉有效性方法，确定最佳主成分数，得到不同的起始波长点和波长区间对应的局部最优预测模型；
所述优化模型构建单元，还用于比较所述局部最优预测模型，筛选出全局最优预测模型，作为数学校正模型。
9.根据权利要求7所述的系统，其特征在于，所述波段优选方法为改进遗传算法，
所述优化模型构建模块包括：
光谱预处理单元，用于对所述校正近红外光谱数据进行预处理，得到近红外光谱的波长点及波长数；
波长区间设置单元，用于根据所述波长点及所述波长数，将所述近红外光谱分成多个等分区间，将每一个等分区间的波长点进行编码，得到每一个等分区间的基因；
优化模型构建单元，用于建立初始群体，所述初始群体的个体数和基因长度为预先设定；
所述优化模型构建单元，还用于根据遗传算法，对基因进行复制、交叉和变异处理，直到最大繁殖，通过自适应函数判断每一个等分区间建立的偏最小二乘法模型，确定最优等分区间组合；
所述优化模型构建单元，还用于根据所述最优等分区间组合，建立最优偏最小二乘法模型，作为数学校正模型。
10.根据权利要求6-9中任一项所述的系统，其特征在于，所述系统还包括：人工神经网络模块；
所述人工神经网络模块，用于基于双隐层人工神经网络，构建所述数学校正模型的人工神经网络；
所述人工神经网络模块，还用于通过所述人工神经网络对所述数学校正模型进行迭代修正处理，使得所述数学校正模型的误差处于预期范围之内。