1.基于深度神经网络的溶解氧浓度控制方法，其特征在于，所述方法包括：
检测并采集废水中的多组原始数据；
根据所述原始数据建立深度神经网络模型；
利用所述深度神经网络模型计算控制参数；
根据所述控制参数，对曝气量进行调整。
2.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述根据所述原始数据建立深度神经网络模型，具体包括：
取出所述原始数据中的一部分数据作为训练样本；
调用所述深度神经网络模型的参数训练函数；
采用所述参数训练函数，对所述训练样本进行学习和训练；
根据学习和训练的结果建立深度神经网络模型。
3.根据权利要求2所述的溶解氧浓度控制方法，其特征在于，所述根据所述原始数据建立深度神经网络模型，还包括：利用所述深度神经网络模型进行废水处理的仿真。
4.根据权利要求3所述的溶解氧浓度控制方法，其特征在于，所述利用所述深度神经网络模型进行废水处理的仿真，具体包括：
取出所述原始数据中剩余的数据作为测试样本；
调用所述深度神经网络模型的仿真函数；
利用所述仿真函数和所述测试样本对污水处理进行仿真，得到预测数据；
利用所述预测数据检测所述模型的准确性和稳定性。
5.根据权利要求4所述的溶解氧浓度控制方法，其特征在于，所述检验深度神经网络模型的准确性和稳定性，具体包括：
将所述预测数据和实测数据的变化趋势进行对比，检验两者之间的误差。
6.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述利用所述深度神经网络模型计算控制参数，具体包括：
设置所述模型的输入参数，利用所述模型计算与输入参数相对应的输出参数，作为控制参数。
7.根据权利要求6所述的溶解氧浓度控制方法，其特征在于，所述输入参数包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，溶解氧浓度；所述输出参数为曝气量。
8.根据权利要求1所述的溶解氧浓度控制方法，其特征在于，所述检测并采集废水中的多组原始数据之后，建立深度神经网络模型之前，还包括：
对所述原始数据进行有效性分析，从中提取有效数据，用所述有效数据更新所述原始数据。
9.根据权利要求1至3中任一项所述的溶解氧浓度控制方法，其特征在于，所述原始数据包括：废水流量，水力停留时间，进水污染物浓度，出水污染物浓度，活性污泥浓度，曝气量参数及对应的溶解氧浓度。
10.基于深度神经网络的溶解氧浓度控制系统，其特征在于，所述系统包括：数据采集模块，模型建立模块，参数计算模块，控制模块；
所述数据采集模块，用于检测并采集废水中的多组原始数据；
所述模型建立模块，用于根据所述原始数据建立深度神经网络模型；
所述参数计算模块，用于利用所述深度神经网络模型计算控制参数；
所述控制模块，用于根据所述控制参数，对曝气量进行调整。