1.一种基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，包括：
步骤1，确定rbf网络结构，初始化人工鱼群参数，对rbf神经网络要优化的参数初始化；
步骤2，利用初始人工鱼状态调用目标函数计算出最优人工鱼状态，并将最优目标函数值赋予公告牌；
步骤3，根据人工鱼群的觅食行为、聚群行为、追尾行为和随机行为更新各自人工鱼状态；
步骤4，更新所有人工鱼个体，如某人工鱼个体的目标函数值优于公告牌，则将某人工鱼个体的目标函数值作为新的公告牌；
步骤5，通过多次更新个体种群，直至搜索出使目标函数值最小的人工鱼群，状态停止，将人工状态代入rbf神经网络并供后续测试程序调用。
2.根据权利要求1所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤1中，rbf神经网络隐含层的激活函数采用：
式中：x为输入样本；ci为隐含层第i个神经元的中心向量；di为隐含层第i个神经元的方差；
rbf神经网络输出层的输出为：
式中：wi为隐含层第i个神经元与输出层的连接权值；h为隐含层节点的个数。
3.根据权利要求2所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，rbf神经网络通过搜寻最优参数提高预测模型的精度，其中，
隐含层第i个神经元的中心向量为：
式中：ni为第i组样本总量；m第i组向量元素总量；xij为第i组第j个样本；
隐含层第i个神经元的方差为：
式中：cmax为最大中心向量；h为输入变量总量；
隐含层第i个神经元与输出层的连接权值为：
基函数中心向量、隐含层神经元的宽度及连接隐含层与输出层的权值向量分别更新为：
式中：cjt(t)为第t次迭代第j个隐含层神经元对第i个输入神经元的中心向量；djt(t)为中心向量cjt(t)的宽度；wjt(t)为第t次迭代连接第j个隐含层神经元与第k个输出神经元的权值；
rbf神经网络评价函数为：
式中：n为样本总数；yi为实际值；yi’为预测值；δrmse为均方根误差；δmape为平均绝对百分误差。
4.根据权利要求1所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤3中，人工鱼群的觅食行为是人工鱼在视觉或者嗅觉允许的范围内趋向食物方向移动的行为，即在当前状态下，若存在某一状态xj的目标函数小于当前状态xi：
xj＝xi+visual*rand()……(11)；
则按照设定步长向这一状态移动：
否则，保持原状态不变，在设定的视野范围内搜索状态xj，反复尝试设定最大次数，若仍未前进则执行随机行为。
5.根据权利要求4所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤3中，人工鱼群的聚群行为是人工鱼在不拥挤情况下向邻近人工鱼移动的集体觅食行为，搜寻在视野范围内邻近人工鱼的数量nf并计算中心位置xc，若在不拥挤的情况下中心位置的目标函数小于原状态的目标函数，则按照设定步长向这一状态移动：
式中：yc为中心位置的目标函数；yi为当前位置目标函数；
否则，进行人工鱼群的觅食行为。
6.根据权利要求5所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤3中，人工鱼群的追尾行为是人工鱼追随周围邻近人工鱼最优位置的行为，当邻近人工鱼的目标函数小于当前位置的目标函数时，则向邻近人工鱼移动：
式中：yj为邻近人工鱼的目标函数；
否则，进行人工鱼群的觅食行为。
7.根据权利要求1或6所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤1中，从工程师站dcs采集影响脱硝系统氮氧化物浓度的影响因素的运行数据，采用互信息和k近邻互信息筛选出带有延迟的辅助变量作为模型的输入变量，氮氧化物浓度作为模型的输出变量，采用rbf神经网络建立预测模型。
8.根据权利要求7所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤1中，通过互信息计算影响因素与nox浓度的相关性，将影响因素按其相关性由大到小逐一增加作为模型的输入，搜索出使预测值与实际值差值最小的变量组合作为输入变量。
9.根据权利要求8所述的基于人工鱼群-径向基神经网络的nox预测方法，其特征在于，步骤1中，rbf神经网络要优化的参数包括基函数中心值、隐含层神经元的宽度及连接隐含层与输出层的权值。