1.一种用于智能材料器件的动态迟滞神经网络建模方法，其特征在于：包括以下步骤：

S1、根据智能材料器件的动态迟滞特性，构建Pan迟滞模型；根据采样时间对Pan迟滞模型进行离散化，得到离散化后的Pan迟滞模型；

S2、根据离散化后的Pan迟滞模型及其结构关系、智能材料器件输入激励与离散化后的Pan迟滞模型输出响应之间的信号传递关系，构建对应的动态迟滞神经网络模型，完成建模；

所述步骤S1中的Pan迟滞模型的公式如下：

其中，t表示时刻，h(t)表示时刻t的Pan迟滞模型的输出信号，D表示滞环饱和峰值因子，sin(·)表示正弦函数，C表示滞环形状因子，arctan(·)表示反正切函数，B表示滞环刚度因子，E表示滞环曲率因子，A表示滞环宽度因子，u(t)表示时刻t的Pan迟滞模型的输入信号，即智能材料器件的输入激励信号，|u(t)|表示时刻t的Pan迟滞模型的输入信号的绝对值， 表示时刻t的Pan迟滞模型的输入信号的导数，c0表示粘性阻尼系数，k0表示输入刚度系数，f0表示输出偏置；

所述步骤S1中的离散化后的Pan迟滞模型的公式如下：

其中，hk表示离散化后的时刻k的Pan迟滞模型的输出信号，uk表示离散化后的时刻k的Pan迟滞模型的输入信号，即对智能材料器件的输入激励信号，|uk|表示离散化后的时刻k的Pan迟滞模型的输入信号的绝对值， 表示离散化后的时刻k的Pan迟滞模型的输入信号的导数；

所述步骤S2中的动态迟滞神经网络模型包括1个输入层、23个隐含层以及1个输出层，且层与层之间的连接权重均设置为1，层与层之间无延迟；所述隐含层和输出层均包括一个神经元；

所述输入层包括11个输入单元，分别为uk、 C0、C1、C2、C3、C4、C5、C6、C7、C8；所述输出层为第24层；

其中，智能材料器件的动态迟滞神经网络模型的具体设计过程如下：

将输入电压序列uk、输入电压序列的导数 九个由常数1构成的输入序列C0、C1、C2、C3、C4、C5、C6、C7、C8分别连接至11个输入单元；

将输入单元C5的输出数据输入至隐含层1进行计算；将输入单元C1的输出数据输入至隐含层3进行计算；将输入单元C2的输出数据输入至隐含层4进行计算；将输入单元C3的输出数据输入至隐含层5进行计算；将输入单元C4的输出数据输入至隐含层6进行计算；将输入单元C6的输出数据输入至隐含层7进行计算；将输入单元C7的输出数据输入至隐含层8进行计算；将输入单元C8的输出数据输入至隐含层9进行计算；

将隐含层1的输出数据、输入单元C0的输出数据输入至隐含层10进行计算；将输入单元uk的输出数据输入至隐含层2进行计算；将隐含层7的输出数据、输入单元uk的输出数据输入至隐含层21进行计算；将隐含层8的输出数据、输入单元 的输出数据输入至隐含层22进行计算；将隐含层2的输出数据、隐含层3的输出数据输入至隐含层20进行计算；将输入单元的输出数据、隐含层20的输出数据输入至隐含层17进行计算；将隐含层17的输出数据、隐含层4的输出数据输入至隐含层18进行计算；

将隐含层18的输出数据、隐含层10的输出数据输入至隐含层11进行计算；将隐含层18的输出数据输入至隐含层19进行计算；将隐含层19的输出数据、隐含层1的输出数据输入至隐含层12进行计算；将隐含层12的输出数据、隐含层11的输出数据输入至隐含层13进行计算；将隐含层13的输出数据输入至隐含层14进行计算；将隐含层14的输出数据、隐含层5的输出数据输入至隐含层15进行计算；将隐含层15的输出数据输入至隐含层16进行计算；将隐含层16的输出数据、隐含层6的输出数据输入至隐含层23进行计算；将隐含层23的输出数据、隐含层22的输出数据、隐含层21的输出数据、隐含层9的输出数据输入至输出层24进行计算并输出。

2.根据权利要求1所述的用于智能材料器件的动态迟滞神经网络建模方法，其特征在于：所述步骤S2中智能材料器件包括压电陶瓷执行器、形状记忆合金驱动器、磁流变阻尼器。

3.根据权利要求1所述的用于智能材料器件的动态迟滞神经网络建模方法，其特征在于：所述步骤S2中的结构关系为离散化后的Pan迟滞模型的参数与其公式中的各项之间的结构关系；所述步骤S2中的智能材料器件激励输入与离散化后的Pan迟滞模型输出响应之间的信号传递关系为离散化后的Pan迟滞模型的输入信号到输出信号的传递关系，即对智能材料器件施加的输入信号与输出信号的传递关系。

4.根据权利要求1所述的用于智能材料器件的动态迟滞神经网络建模方法，其特征在于：所述隐含层1、隐含层3至隐含层9的激活函数均为自定义激活函数，分别为所述隐含层2的激活函数为绝对值激

活函数，即为Sabs＝abs(x)；所述隐含层16的激活函数为正弦激活函数，即为Ssin＝sin(x)；

所述隐含层14和隐含层19的激活函数均为反正切激活函数，即为Sarctan＝arctan(x)；其余隐含层均为线性激活函数；其中，x表示该隐含层对应的输入序列，dA、dB、dC、dD、dE、dc0、df0、dk0均为搜索步长参数。

5.一种基于权利要求1至4任一所述的用于智能材料器件的动态迟滞神经网络建模方法的迟滞特性预测方法，其特征在于：其包括以下步骤：A1、采用变幅值扫频激励信号获得训练的电压序列数据集和位移序列数据集；

A2、将电压序列数据集作为动态迟滞模型的输入，将位移序列数据集作为标签，并对动态迟滞模型进行训练，得到训练后的动态迟滞模型；

A3、将待预测的迟滞特性数据输入至训练后的动态迟滞模型，得到预测后的位移输出数据，完成对迟滞特性的预测。

6.根据权利要求5所述的迟滞特性预测方法，其特征在于：所述步骤A2采用LM算法对动态迟滞模型进行训练，根据均方误差目标函数对动态迟滞模型的权重进行调整，直至得到‑5小于10 的均方误差目标函数，得到训练后的动态迟滞模型。

7.根据权利要求6所述的迟滞特性预测方法，其特征在于：所述训练步数设定为500步。