1.基于LSTM神经网络预测控制的磁激光内窥镜控制方法，所述磁激光内窥镜，包括：外壳、硬质光纤、电磁线圈、聚焦镜头和微型摄像头；所述外壳为圆柱形，包括四个安装槽和一个微型摄像头插槽；所述安装槽为圆柱形，位于所述磁激光内窥镜的末端，正对的两个安装槽的轴线重合，相邻的两个安装槽轴线垂直，四个安装槽的轴线都位于同一平面；所述微型摄像头插槽为圆柱形，并镶嵌于所述外壳的壁中，其开口位于所述磁激光内窥镜的末端，其轴线与外壳的轴线平行；所述硬质光纤用于传导激光，同时能够支撑所述聚焦镜头，并具备足够的弹性；所述电磁线圈为圆柱形并包含磁芯，放置于所述安装槽内，它们的轴线分别与所述安装槽的轴线一一对应重合；所述聚焦镜头包括磁性薄壳和聚焦透镜，聚焦镜头静止时位于所述外壳内部的中轴线处；所述微型摄像头用于实时采集激光点位置，安放于所述微型摄像头插槽中；其特征在于，包含以下步骤：步骤1，当对所述磁激光内窥镜的控制开始时，首先初始化控制量序列U＝[U(1),U(2),U(3)......U(i)]，其中i为控制时域长度，并通过所述微型摄像头获取所述磁激光内窥镜射出的激光点的位置坐标O；

步骤2，将控制量序列U按顺序依次送入到训练好的LSTM神经网络预测模型中进行运算，以获得对应所述磁激光内窥镜输出激光点位置坐标的预测序列Om＝[Om(1),Om(2),Om(3)......Om(k)]，其中k为预测时域长度；

步骤3，将预测序列Om和位置坐标O一同输入反馈校正环节，通过反馈校正环节中的运算得到校正后的反馈量序列Op＝[Op(1),Op(2),Op(3)......Op(k)]；

步骤4，将当前t时刻的激光点参考位置坐标序列Or＝[Or(t),Or(t+1)......Or(t+k)]依次与校正后的反馈量序列Op做比较运算，然后将运算后的结果送入滚动优化环节进行一次滚动优化，得到优化后的控制量序列U'；

步骤5，将优化后的控制量序列U'＝[U'(1),U'(2),U'(3)......U'(k)]代入设定好的损失函数，判断其是否满足设定的指标，若不满足指标则将U'的元素赋予U，并回到步骤2重新执行，若满足指标，则取U'的首个元素U'(1)作为最优控制量来控制所述磁激光内窥镜；

步骤6，更新激光点参考位置坐标序列Or，返回步骤1重新执行，直到完成期望轨迹的扫描。

2.根据权利要求1所述基于LSTM神经网络预测控制的磁激光内窥镜控制方法，其特征在于，所述步骤2中LSTM神经网络预测模型的训练样本来自所述磁激光内窥镜的实际运行数据集，所述训练样本的输入数据集B由连续变化的磁感应强度信号组成，输出数据集Y为对应输入数据集的磁激光内窥镜激光点投射位置坐标。

3.根据权利要求1所述基于LSTM神经网络预测控制的磁激光内窥镜控制方法，其特征在于，所述步骤6中的期望轨迹包含所有激光点参考位置坐标序列，对于任意一个激光点参考位置坐标序列Or都是所述期望轨迹的子集，所述期望轨迹表示为[Or(1),Or(2),Or(3)......Or(n)]，其中n为整个集合包含的元素总个数，并且n＞k。

4.根据权利要求1所述基于LSTM神经网络预测控制的磁激光内窥镜控制方法，其特征在于，所述步骤6中激光点参考位置坐标序列Or的更新指在保证序列长度不变前提下，按时间顺序从期望轨迹中向后提取，如t时刻Or＝[Or(t),Or(t+1)......Or(t+k)]，而t+1时刻Or＝[Or(t+1),Or(t+2)......Or(t+k+1)]，以此类推。