1.一种基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，包括：
测量待测水样的浊度、悬浮物、电导率和pH值；
用紫外光谱法测量待测水样的COD值，作为待测水样的COD初始值；
将待测水样的浊度、悬浮物、电导率、pH值和COD初始值作为已训练的BP神经网络的输入向量，得到待测水样的COD优化值。
2.根据权利要求1所述的基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，所述BP神经网络通过如下方法训练得到：
构造若干训练水样，两两训练水样的浊度、悬浮物、电导率和pH值至少有一项不同；
测量每个训练水样的浊度、悬浮物、电导率和pH值；
用紫外光谱法测量训练水样的COD值，作为训练水样的COD初始值；
用重铬酸钾法测量训练水样的COD值，作为训练水样的COD标准值；
建立BP神经网络，以训练水样的浊度、悬浮物、电导率、PH值和COD初始值作为BP神经网络的输入向量，得到训练水样的COD优化值；
重复训练BP神经网络若干次，选取训练水样的COD优化值与COD标准值偏差最小的BP神经网络。
3.根据权利要求2所述的基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，所述重复训练BP神经网络若干次，选取训练水样的COD优化值与COD标准值偏差最小的BP神经网络包括：
选取全部训练水样的90％训练神经网络若干次，得到若干个训练结果；
选取90％训练水样的COD优化值与COD标准值偏差最小的BP神经网络；
将全部训练水样的剩余10％输入训练得到的BP神经网络，比较输出的COD优化值与COD标准值，若COD优化值与COD标准值的整体绝对偏差优于COD初始值与COD标准值的对偏差，则说明训练成功。
4.根据权利要求2所述的基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，所述训练水样通过如下方法得到：
选取至少一个原始水样，并对每个原始水样进行如下操作，得到不同浊度、悬浮物、电导率和/或PH值的训练水样：
将原始水样稀释至不同的倍数；
以及/或者，添加SiO2浊度标准溶液，调节浊度；
以及/或者，添加烘干污泥，调节悬浮物；
以及/或者，添加KCl电导率标准溶液，调节电导率；
以及/或者，添加HCl/NaOH溶液，调节PH值。
5.根据权利要求4所述的基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，所述浊度通过便携式仪器法测量得到，所述悬浮物通过重量法测量得到，所述电导率通过便携式仪器法测量得到，所述pH值通过玻璃电极法或便携式酸度计测量得到。
6.根据权利要求1-5任一所述的基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，还包括：
将输入向量进行归一化，使其映射到[-1,1]区间之内。
7.根据权利要求6所述的基于神经网络的COD紫外光谱在线检测优化方法，其特征在于，所述BP神经网络的隐藏节点设置为15个，训练的最大迭代次数设置为1000，学习速率设置为0.05，最小目标误差设置为10-6，目标函数使用COD优化值与COD标准值的均方差，激励函数使用Sigmond函数f(x)＝1/(1+e^(-αx))，求解最优化的训练算法使用Levenberg-Marquardt算法。