1.一种基于深度神经网络的盾构机参数优化方法，其特征在于，包括以下步骤：S1、对待预测的盾构机，根据其历史施工记录采集样本数据，所述样本数据包括该盾构机的环号、总功率、刀盘扭矩、刀盘压力、刀盘转速、推进压力、总推进力、泡沫混合液当前累计量、左中土仓压力、左上土仓压力、左下土仓压力、右下土仓压力、右中土仓压力以及当前推进速度；S2、对样本数据进行数据处理，包括数据的降维、去噪以及特征选择；S3、建立模型，包括由深度神经网络构成的前向预测模型、由权重优化矩阵构成的参数生成模型，模型具体依次包括输入层、权重优化层、隐含层和输出层；在初始时，随机初始化各层节点的权值，其中权重优化层的权值矩阵初始化为单位矩阵；将数据分为观测数据和预测数据，定义预测数据为盾构机掘进速度，观测数据为步骤S2中获得的数据；S4、第一次训练：将权重优化矩阵进行锁定不参与本次训练，利用模型的正向传播算法，得到模型的预测值y′即为预测速度，然后与实际值y即原始数据中所记录的真实速度计算误差函数，通过梯度下降算法得到最优参数；因权重优化层被设置为不可训练，反向传播将更新深度神经网络中的参数，将前向预测模型训练到最优；S5、第二次训练：将权重优化矩阵锁定解除，深度神经网络锁定不参与本次训练；再次应用正向传播算法，得到的预测值与y*(1+△)，其中△为人工干预因子计算误差函数，通过梯度下降算法更新权重优化层中的参数，将参数生成模型训练到最优；S6、采用训练好的模型对盾构机参数进行优化，参数生成模型输出的值作为最终输出结果。
