1.一种定向夹持缠绕式建筑材料测量系统，其特征在于：测量系统包括：测量模块，用于测量定向夹持缠绕式建筑材料温度、刚度、硬度、抗疲劳度或者拉伸度，其中测量模块包括参考电压发生器、温度测量发生器、电压转换调节器、第一放大电路、第二放大电路、第三放大电路、数模转换电路和计算机处理单元，其中所述参考电压发生器的输入端与第一放大电路和第二放大电路连接，所述温度测量发生器的输出端与电压转换调节器的输入端连接，所述电压转换调节器的输出端与第三放大器电路的输入端连接，所述第一放大电路、第二放大电路和第三放大电路的输出端与数模转换电路的输入端连接，所述数模转换电路的输出端与计算处理单元连接，所述计算处理单元的输出端与计算机系统的输入端连接；

定向夹持缠绕式建筑材料检测装置，用于评估测量模块检测定向夹持缠绕式建筑材料的状况；

可变模式分解学习算法模型，用于测量建筑材料性能参数信息，并提出相似度函数构建匹配模式，将分解的建筑材料性能参数数据函数合理分配与处理，得到最佳测量性能对比结果；

计算机系统，用于接收测量模块输出的数据信息；

其中可变模式分解学习算法模型与计算处理单元连接，所述定向夹持缠绕式建筑材料检测装置与参考电压发生器和温度测量发生器连接；

其中可变模式分解学习算法步骤为：

步骤1：将所有的建筑材料性能参数记为数据样本，构建数据样本集用代数式表述为：（1）

公式（1）中， 表示建筑材料性能参数数据样本集； 表示检测样本点的规律化分布；

表示单个建筑材料性能参数数据函数； 表示拉格朗日常数；表示测量过程消耗时间；

步骤2：根据检测装置在测量状态中的可变性，将公式（1）约束条件转化为可变的无约束状态，表示如下：（2）

公式（2）中， 表示可变的建筑材料性能参数； 表示变化幅度； 表示建筑材料性能参数与规定标准值的相似函数；

步骤3：将可变类型的建筑材料性能参数数据样本进行分解，将存在联系的数据打乱重组，分解的单个建筑材料性能参数数据函数为：（3）

公式（3）中， 表示建筑材料性能参数与规定标准值的相似度， 表示标准分解数学模型， 表示检测装置普遍存在的相似矩阵；

步骤4：根据分解的建筑材料性能参数数据函数，将分解之后具有单独特点的建筑材料性能参数数据样本进行相似度筛选，由此得到最佳相似度表达式为：（4）

公式（4）中， 表示最佳相似度； 表示建筑材料性能参数数据样本总数； 表示序数；

表示相似度公式参数； 通过可变模式分解学习算法建立的匹配模式将分解的建筑材料性能参数数据函数合理分配与处理，得到最佳测量参数并对其实际应用进行验证，其验证算法表述为：（5）

公式（5）中， 表示最佳测量参数实际应用标准，通过对比结果得出定向夹持缠绕式建筑材料当前性能优劣。

2.根据权利要求1所述的一种定向夹持缠绕式建筑材料测量系统，其特征在于：第一放大电路、第二放大电路、第三放大电路分别为第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3放大电路。

3.根据权利要求1所述的一种定向夹持缠绕式建筑材料测量系统，其特征在于：温度测量发生器包括与温度系数成正比的电流源I0和串联到电流源并接地的电阻器R1，电流源I0和电阻器R1被配置为生成电压值信号，然后将生成的电压值信号输出到电压转换调节器电路；

温度测量发生器还包括并联连接的第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3；

所述第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3构成源极跟随器；

第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3的漏极分别耦合到流源I0，源端分别耦合到电压输出端VP，以输出随温度系数线性变化的电压值信号；第二N型MOS晶体管M2和第三N型MOS晶体管M3的栅极分别通过第一开关S1和第二开关S2耦合到第一N型MOS晶体管M1的栅极；

第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3分别耦合到第一电流源I1、第二电流源I2和第三电流源I3的输入端；

第一电流源I1的输出端接地，第二电流源I2和第三电流源I3的输出端分别通过第三开关S3和第四开关S4接地；

通过设置第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3的截止频率，计算第一电流源I1到第二电流源I2第三电流源I3的输出信号频率，通过设置第一开关Sl、第二开关S2的通断状态、第三开关S3和第四开关S4的通断频率，以控制流经第一N型MOS晶体管M1、第二N型MOS晶体管M2和第三N型MOS晶体管M3的总电流值，进而控制电压输出端Vp的电压值；

通过设置第一电流源I1与第二电流源I2与第三电流源I的通断频率；设置第三个开关S3和第四个开关S4的接通或者断开状态。

4.根据权利要求1所述的一种定向夹持缠绕式建筑材料测量系统，其特征在于：可变模式分解学习算法模型包括数据输入模块、数据处理模块和数据输出模块，其中所述数据输入模块的输出端与数据处理模块的输入端连接，数据处理模块的输出端与数据输出模块的输入端连接。