1.一种高炉铁水硅含量在线估计方法，其特征在于，包括：
步骤1、实时采集高炉炼铁过程中的热风压力、热风温度、富氧率、设定喷煤量、鼓风湿度、炉腹煤气量；
步骤2、利用基于最小二乘-支持向量机的高炉铁水硅含量在线估计模型，在线估计高炉铁水硅含量。
2.根据权利要求1所述的方法，其特征在于，所述步骤2，包括：
步骤2-1、建立基于最小二乘-支持向量机的高炉铁水硅含量在线估计模型，以历史高炉炼铁过程中的热风压力、热风温度、富氧率、设定喷煤量、鼓风湿度、炉腹煤气量作为输入变量，历史高炉炼铁过程中的铁水硅含量作为输出变量；
步骤2-2、对高炉铁水硅含量在线估计模型进行优化，确定高炉铁水硅含量在线估计模型参数，进而确定优化后的高炉铁水硅含量在线估计模型；
步骤2-3、利用优化后的高炉铁水硅含量在线估计模型，在线估计高炉铁水硅含量。
3.根据权利要求1所述的方法，其特征在于，所述步骤2-2，包括：
步骤2-2-1、将高炉铁水硅含量在线估计模型误差转换成误差概率密度函数形式；
步骤2-2-2、确定当前高炉铁水硅含量在线估计模型的误差概率密度函数和设定的理想误差概率密度函数相同时的高炉铁水硅含量在线估计模型参数，进而得到优化后的高炉铁水硅含量在线估计模型。
4.根据权利要求1所述的方法，其特征在于，所述步骤2-2-2，包括：
步骤2-2-2-1、利用基函数分别将当前高炉铁水硅含量在线估计模型的误差概率密度函数和设定的理想误差概率密度函数解耦转换成基函数对应的权值向量，即当前的误差权值向量、理想误差权值向量；
步骤2-2-2-2、将高炉铁水硅含量在线估计模型参数作为输入，当前的误差权值向量作为输出，利用子空间建模方法建立参数-权值模型，用来描述高炉铁水硅含量在线估计模型参数与当前的误差权值向量之间的函数关系；
步骤2-2-2-3、利用迭代学习控制方法调节参数-权值模型输入，将参数-权值模型输出控制到理想状态，即参数-权值模型的误差权值向量与理想误差权值向量相同；
步骤2-2-2-4、根据参数-权值模型的误差权值向量与理想误差权值向量相同状态下的高炉铁水硅含量在线估计模型参数，确定优化后的高炉铁水硅含量在线估计模型。
5.一种高炉铁水硅含量在线估计系统，其特征在于，包括：
采集模块，用于实时采集高炉炼铁过程中的热风压力、热风温度、富氧率、设定喷煤量、鼓风湿度、炉腹煤气量；
估计模块，用于利用基于最小二乘-支持向量机的高炉铁水硅含量在线估计模型，在线估计高炉铁水硅含量。
6.根据权利要求5所述的系统，其特征在于，所述估计模块，包括：
模型建立模块，用于建立基于最小二乘-支持向量机的高炉铁水硅含量在线估计模型，以历史高炉炼铁过程中的热风压力、热风温度、富氧率、设定喷煤量、鼓风湿度、炉腹煤气量作为输入变量，历史高炉炼铁过程中的铁水硅含量作为输出变量；
模型优化模块，用于对高炉铁水硅含量在线估计模型进行优化，确定高炉铁水硅含量在线估计模型参数，进而确定优化后的高炉铁水硅含量在线估计模型；
在线估计模块，用于利用优化后的高炉铁水硅含量在线估计模型，在线估计高炉铁水硅含量。
7.根据权利要求6所述的系统，其特征在于，所述模型优化模块，包括：
转换模块，用于将高炉铁水硅含量在线估计模型误差转换成误差概率密度函数形式；
优化模型确定模块，用于确定当前高炉铁水硅含量在线估计模型的误差概率密度函数和设定的理想误差概率密度函数相同时的高炉铁水硅含量在线估计模型参数，进而得到优化后的高炉铁水硅含量在线估计模型。
8.根据权利要求7所述的系统，其特征在于，所述优化模型确定模块，包括：
解耦转换模块，用于利用基函数分别将当前高炉铁水硅含量在线估计模型的误差概率密度函数和设定的理想误差概率密度函数解耦转换成基函数对应的权值向量，即当前的误差权值向量、理想误差权值向量；
参数-权值模型建立模块，用于将高炉铁水硅含量在线估计模型参数作为输入，当前的误差权值向量作为输出，利用子空间建模方法建立参数-权值模型，用来描述高炉铁水硅含量在线估计模型参数与当前的误差权值向量之间的函数关系；
迭代学习模块，用于利用迭代学习控制方法调节参数-权值模型输入，将参数-权值模型输出控制到理想状态，即参数-权值模型的误差权值向量与理想误差权值向量相同；
优化模型输出模块，用于根据参数-权值模型的误差权值向量与理想误差权值向量相同状态下的高炉铁水硅含量在线估计模型参数，确定优化后的高炉铁水硅含量在线估计模型。