1.一种基于迁移学习的手机装配工艺知识框架模型构建方法，其特征在于：包括如下步骤：步骤A1：收集之前生产的每一款旧款手机装配过程的生产数据，所述生产数据包括每一步装配工艺过程的名称、每一步装配工艺过程的工艺要求参数和待预测的所需手机装配工艺过程的工艺结果参数；

步骤A2：计算每一款所述旧款手机的装配工艺过程与新款手机装配工艺过程的拓扑结构相似性，选出满足相似性的要求的装配数据集Xk；

步骤A3：将在步骤A1中所收集到的手机装配过程的所述工艺要求参数作为输入，通过深度稀疏自编码器对所述生产数据进行特征提取；

步骤A4：在步骤A3中通过所述深度稀疏自编码器对手机装配过程最原始的工艺过程参数矩阵X进行特征提取，将手机装配工艺过程中的所述工艺要求参数进行特征提取并标记，得出最终的带标记的低维特征矩阵Xs；

以所述低维特征矩阵Xs为次级训练集训练一个支持向量机回归模型M，得到一个基于手机装配工艺过程的所述工艺要求参数对手机装配工艺过程工艺结果参数的预测模型，即手机装配工艺过程工艺要求参数数据集的支持向量机回归模型M；

步骤A5：采用迁移学习的方式对所述支持向量机回归模型M进行调整，训练出对新款手机装配过程工艺的过程工艺结果参数进行预测的模型MT。

2.根据权利要求1所述的一种基于迁移学习的手机装配工艺知识框架模型构建方法，其特征在于：步骤A2包括步骤A21：计算手机装配工艺过程中节点的相似性：其中，Snode(vi，vj)代表装配工艺过程vi和装配工艺过程vj节点的相似性；

mi，j代表装配工艺过程vi和装配工艺过程vj中节点匹配的数量；

ei代表手机装配工艺过程vi中所有节点数量之和；

ej代表手机装配工艺过程vj中所有节点数量之和。

3.根据权利要求2所述的一种基于迁移学习的手机装配工艺知识框架模型构建方法，其特征在于：步骤A2还包括步骤A22：计算手机装配工艺过程中拓扑关系的相似性：其中，Srel(vi，vj)代表装配工艺过程vi和装配工艺过程vj拓扑关系的相似性；

Mi，j代表装配工艺过程vi和装配工艺过程vj中关系边匹配的数量；

Ei代表手机装配工艺过程vi中所有关系边数量之和；

Ej代表手机装配工艺过程vj中所有关系边数量之和。

4.根据权利要求3所述的一种基于迁移学习的手机装配工艺知识框架模型构建方法，其特征在于：步骤A2还包括步骤A23：计算手机装配工艺过程整个拓扑结构相似性：S(i，j)＝Snode(vi，vj)×Wnode+Srel(vi，vj)×Wrel；

其中，S(i，j)表示手机装配工艺过程整个拓扑结构的相似性；

Wnode为节点权重参数表示节点对整个拓扑结构的影响程度；

Wrel为关系边权重参数表示关系边对整个拓扑结构的影响程度。

5.根据权利要求4所述的一种基于迁移学习的手机装配工艺知识框架模型构建方法，其特征在于：步骤A2还包括步骤A24：所有款式手机的装配工艺过程的集合为＝{v1，v2，v3，...vn}，新款手机装配工艺过程可表示为vx，计算出新款手机装配工艺过程与之前所有旧款手机装配工艺过程相似性S(i，x)，分别为S(1，x)、S(2，x)、…、S(n，x)；

从中求出S(k，x)＞α，α为设定的相似度阈值，则可确定满足与新款手机装配工艺过程相似性的旧款手机装配工艺过程vk的装配数据集Xk。

6.根据权利要求1所述的一种基于迁移学习的手机装配工艺知识框架模型构建方法，其特征在于：所述深度稀疏自编码器的构成过程如下：

将手机装配工艺过程参数矩阵X作为输入，令深度稀疏自动编码器的层数为S，每层的节点数为ds＝{d0，d1，d3，...，ds|d0＝n，d0＞d1＞d2＞…＞ds}，将手机装配工艺过程参数矩阵X作为深度稀疏自编码器的第一层输入；

深度稀疏自编码器的上一层输入的结果数据作为深度稀疏自编码器的下一层的输入，深度稀疏自编码器的最后一层的输出为最终标记好的低维特征矩阵Xs；

第i层自编码器的编码层输入为Xi，输出为：Hi＝σ(W1×Xi+b)；

所述自编码器的解码层输入为Hi，输出为：Zi＝σ(W2×Hi+c)；

其中σ为激活函数，最终自编码器得到的矩阵Zi和原始的输入矩阵Xi的维度相同，b、c分别对应为编码层和解码层的偏差，W1、W2分别对应为编码层的权重和解码层的权重；

W1、W2的权重使用随机初始化，将在第一轮迭代中最后得出的输出矩阵Zi和输入矩阵Xi之间的误差从输出层向隐藏层反向传播，计算出各层产生的误差，并对W1、W2进行反向调整，采用牛顿法计算出最小误差，以产生最小误差的输出矩阵Zi，其为下一层自编码器的输入，最后通过深度稀疏自编码网络输出一个低维带标签的数据；

计算所述误差的公式为：

其中xi为输入Xi的第i列；

对每个自编码器添加稀疏性限制，计算第j层自编码器的隐藏层的平均输出值 计算公式如下：其中m为第j层自编码器的隐藏层的神经元个数；

以平均输出值 作为稀疏值ρ，稀疏值ρ一般远小于1，当隐藏层满足稀疏性限制的时候则隐藏层的大多数神经元的激活值接近0；

对重构误差添加稀疏性限制，即对重构误差添加惩罚因子项，对偏离ρ的 进行惩罚，基于散度惩罚函数如下：当 等于ρ时，惩罚函数的值为0；当 远离ρ时，惩罚函数单调递增趋向于无穷大，最优化惩罚函数的值就可以使得 接近ρ，达到稀疏性的效果；

最终构成了一个针对手机装配工艺过程数据处理的所述深度稀疏自编码器。