1.基于NARXNN‑CNN混合迟滞模型的机器人关节补偿控制方法，其特征是，包括步骤如下：

步骤1、构建NARXNN‑CNN混合迟滞模型；该NARXNN‑CNN混合迟滞模型由非线性自回归神经网络和卷积神经网络组成，其中非线性自回归神经网络的输入端形成NARXNN‑CNN混合迟滞模型的输入端，非线性自回归神经网络的输出端连接卷积神经网络的输入端，卷积神经网络的输出端形成NARXNN‑CNN混合迟滞模型的输出端；

步骤2、采集机器人关节在运行之初的N个历史时刻实际的关节力矩和关节扭转角对步骤1所构建的NARXNN‑CNN混合迟滞模型的参数进行学习，得到最终NARXNN‑CNN混合迟滞模型；在NARXNN‑CNN混合迟滞模型的学习过程中：首先，将k‑2时刻实际的关节力矩τJ(k‑2)、k‑1时刻实际的关节力矩τJ(k‑1)、k‑2时刻实际的关节扭转角Δθ(k‑2)、以及k‑1时刻实际的关节扭转角Δθ(k‑1)同时送入到NARXNN‑CNN混合迟滞模型的非线性自回归神经网络中，得到k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)，并计算k时刻实际的关节扭转角Δθ(k)与k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)的非线性自回归神经网络误差e1＝Δθ(k)‑Δθ'(k)；

然后，将k‑1时刻实际的关节力矩τJ(k‑1)、k‑1时刻实际的关节扭转角Δθ(k‑1)、k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)、以及k时刻非线性自回归神经网络预测的关节扭转角Δθ'(k)与k‑1时刻实际的关节扭转角Δθ(k‑1)的差值同时送入到NARXNN‑CNN混合迟滞模型的卷积神经网络中，得到k时刻卷积神经网络预测的关节扭转角并计算k时刻实际的关节扭转角Δθ(k)与k时刻卷积神经网络预测的关节扭转角 的卷积神经网络误差最后，基于独立分段式损失函数对NARXNN‑CNN混合迟滞模型进行独立分段式反向误差传递学习，得到最终NARXNN‑CNN混合迟滞模型；其中独立分段式损失函数V为：其中，e1为非线性自回归神经网络误差，e2为卷积神经网络误差；ω为设定的权重系数，且0＜ω＜1；k＝3,4,…,N+2，N为设定的历史时刻数；

步骤3、将当前时刻的前二个时刻实际的关节力矩、当前时刻的前一个时刻实际的关节力矩、当前时刻的前二个时刻实际的关节扭转角、当前时刻的前一个时刻实际的关节扭转角送入到步骤2所得到的最终NARXNN‑CNN混合迟滞模型中，得到当前时刻预测的关节扭转角；

步骤4、将当前时刻补偿前的关节角度设定值加上步骤3所得到的当前时刻预测的关节扭转角，得到当前时刻补偿后的关节角度设定值；并将当前时刻补偿后的关节角度设定值提供给机器人的关节控制端，以间接抵消关节表现出的迟滞特性，实现在不同负载下关节输出角度不随负载而变化。

2.根据权利要求1所述基于NARXNN‑CNN混合迟滞模型的机器人关节补偿控制方法，其特征是，步骤2中，历史时刻实际的关节力矩是通过力矩传感器直接测量所得到的，历史时刻实际的关节扭转角是利用机器人的控制端输入的关节角度设定值与角度传感器所测量关节角度输出值作差运算所得到的。

3.根据权利要求1所述基于NARXNN‑CNN混合迟滞模型的机器人关节补偿控制方法，其特征是，卷积神经网络由输入层、卷积层、2层全连接层和输出层组成；输入层形成卷积神经网络的输入，输入层的输出连接卷积层的输入，卷积层的输出连接第一个全连接层的输入，第一个全连接层的输出形成卷积神经网络的输出。

4.根据权利要求3所述基于NARXNN‑CNN混合迟滞模型的机器人关节补偿控制方法，2层全连接层均为以RELU为激活函数的全连接层。

5.根据权利要求1所述基于NARXNN‑CNN混合迟滞模型的机器人关节补偿控制方法，其特征是，权重系数ω＞0.5。