1.一种用于鱼菜共生系统的智能预测控制系统，其特征在于，所述预测控制系统包括采集模块、预测控制模块及循环模块；
所述采集模块用于获取一个时间段内的鱼菜共生系统的环境数据，并将所述环境数据发送至所述预测控制模块，其中，所述环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；
所述预测控制模块根据所述采集模块发送的环境数据对未来的一个时间段内鱼池水中的溶解氧含量进行预测，以及根据预测结果生成控制命令，并将所述控制命令发送至循环模块；
所述循环模块对所述鱼菜共生系统中的空气环境和水环境进行实时循环控制，以及根据接收到的所述控制命令，控制所述鱼菜共生系统中的溶解氧含量，使得鱼池水中的溶解氧含量在所述未来的一个时间段内保持在标准范围内。
2.根据权利要求1所述的系统，其特征在于，所述采集模块包括种植采集单元、蓄水采集单元及鱼池采集单元；
所述种植采集单元设置在所述鱼菜共生系统中的无土栽培区，采集一个时间段内的无土栽培区的温度、湿度、二氧化碳、气压及光照数据，其中，所述无土栽培区设置在温室内的采光区中；
所述蓄水采集单元设置在所述鱼菜共生系统中的蓄水调节池上，采集一个时间段内的蓄水调节池的水温、溶解氧及PH值数据，其中，所述蓄水调节池在所述温室内连接无土栽培区与鱼池；
所述鱼池采集单元设置所述鱼菜共生系统中的所述鱼池上，用于采集一个时间段内的鱼池的水位及溶解氧数据，其中，所述鱼池设置在温室内的背光区中，且所述鱼池与温室中的集水池、微滤机、生化池及脱气池依次连接，所述脱气池分别与所述无土栽培区及蓄水调节池连接；
所述种植采集单元、蓄水采集单元及鱼池采集单元均将实时获取的环境数据发送至所述预测控制模块。
3.根据权利要求1所述的系统，其特征在于，所述预测控制模块包括控制主机、数据存储单元及控制命令发出单元；
所述控制主机与采集模块通信连接，将所述环境数据存储在所述数据存储单元中；
所述控制主机根据所述采集模块发送的环境数据计算得到模糊神经网络溶解氧预测控制模型，并将当前溶解氧含量的实时数值输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；
所述控制主机根据所述预测结果生成控制命令，通过所述控制命令发出单元向所述循环模块发出开启或关闭的控制命令。
4.根据权利要求1所述的系统，其特征在于，所述循环模块包括空气循环单元、水循环单元及增氧单元；
所述空气循环单元设置在所述无土栽培区及所述温室中靠近无土栽培区的一侧，且对所述鱼菜共生系统中的空气进行循环控制；
所述水循环单元分布在所述鱼菜共生系统中的蓄水调节池、鱼池、集水池、微滤机、生化池及脱气池上，且对所述鱼菜共生系统中的水环境进行循环控制；
所述增氧单元设置在所述鱼菜共生系统中的蓄水调节池，所述增氧单元根据所述预测控制模块发出的控制命令，控制所述鱼菜共生系统中增氧机的开启和关闭，使得鱼池水中的溶解氧含量在未来的一个时间段内保持在标准范围内。
5.一种用于鱼菜共生系统的智能预测控制方法，其特征在于，所述方法包括：
步骤1.对所述鱼菜共生系统中的水与空气进行循环控制，以及获取并存储一个时间段内的鱼菜共生系统的环境数据，其中，所述环境数据包括空气温湿度、光照、二氧化碳、气压、水温、水位、pH值及溶解氧数据；
步骤2.用归一化方法对所述环境数据进行数据标准化预处理，获得模糊神经网络溶解氧预测控制模型的训练数据集；
步骤3.根据训练数据集，基于粒子群算法优化模糊神经网络控制算法获取模糊神经网络溶解氧预测控制模型；
步骤4.将当前溶解氧含量的实时数据输入模糊神经网络溶解氧预测控制模型，得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果；
步骤5.根据所述预测结果对所述鱼菜共生系统进行溶解氧含量控制，使得鱼池水中的溶解氧含量在所述未来的一个时间段内在溶解氧含量的标准范围内。
6.根据权利要求5所述的方法，其特征在于，所述步骤3包括：
步骤3-1.建立模糊神经网络溶解氧预测控制模型；
步骤3-2.根据所述模糊神经网络溶解氧预测控制模型，确定最优控制增率，对所述模糊神经网络溶解氧预测控制模型进行滚到优化；
步骤3-3.对所述溶解氧预测控制模型进行反馈校正。
7.根据权利要求6所述的方法，其特征在于，所述步骤3-1包括：
根据溶解氧预测控制系统的阶跃响应动态系数，获取溶解氧预测模型的阶跃响应系数矩阵；
根据过去控制量所产生的输出及当前控制输入作用下的输出响应，确定所述溶解氧预测模型；
根据所述溶解氧预测模型中某一时刻的无控制增量、有一个单独的增量或有多个连续的控制增量的情况下的未来时刻的输出值，获得未来某一时刻的所述模糊神经网络溶解氧预测控制模型。
8.根据权利要求6所述的方法，其特征在于，所述步骤3-2包括：
将性能指标代入所述模糊神经网络溶解氧预测控制模型；
对代入性能指标后的模糊神经网络溶解氧预测控制模型进行求导，获得增氧机的最优控制增率；
根据所述最优控制增率，对所述模糊神经网络溶解氧预测控制模型进行滚动优化。
9.根据权利要求6所述的方法，其特征在于，所述步骤3-3包括：
根据所述模糊神经网络溶解氧预测控制模型获取未来某时刻的溶解氧预测含量值；
检测当前实际的溶解氧含量值，并比较所述溶解氧含量值与溶解氧预测含量值，得到输出误差；
对输出误差采用对误差加权的方式，修正所述模糊神经网络溶解氧预测控制模型的预测结果。
10.根据权利要求5所述的方法，其特征在于，所述步骤4包括：
归一化处理鱼菜共生系统当前溶解氧含量的实时数据；
将归一化处理后的数据输入所述模糊神经网络溶解氧预测控制模型；
计算得到所述模糊神经网络溶解氧预测控制模型的输出，即得到未来的一个时间段内鱼池水中的溶解氧含量的预测结果。