1.一种基于高斯过程回归模型的磁流变减振器建模方法，其特征在于：所述建模方法包括以下步骤：步骤1：基于磁流变减振器力学特性测试的数据采集和预处理；

步骤2：确定磁流变减振器高斯过程回归先验分布；

步骤3：计算高斯过程回归模型的后验均值与后验协方差；

步骤4：磁流变减振器高斯过程回归模型评估；

设定能达到均方根误差RMSE值小于设定值的模型为满足性能条件的磁流变减振器高斯过程回归模型，进入到步骤6；若均方根误差RMSE大于或等于设定值，则进入步骤5进一步开展超参数优化计算，重新调整磁流变减振器高斯过程模型的相关参数；

步骤5：超参数优化计算；

步骤6：磁流变减振器高斯过程回归模型的最终评估与应用：经步骤4，满足高斯过程回归模型评估过程中模型精度的要求后，利用测试集数据对所有满足性能条件的磁流变减振器高斯过程回归模型进行最终评估测试，选择以均方根误差值最低的模型作为最优磁流变减振器高斯过程回归模型，应用于实际工程中。

2.如权利要求1所述的一种基于高斯过程回归模型的磁流变减振器建模方法，其特征在于：所述步骤1中还包括以下步骤：利用磁流变减振器力学测试平台系统对磁流变减振器进行力学性能测试，利用传感器采集磁流变减振器工作过程中的样本数据，所有样本数据经过归一化处理，标准化放缩至[‑1,1]区间，以增强模型训练的收敛效率和预测精度；

经预处理的数据被划分为训练集、验证集和测试集，其中训练集用于训练和调整磁流变减振器高斯过程回归模型，验证集用于检验磁流变减振器高斯过程回归模型是否满足设定的性能要求，测试集用于筛选出最优磁流变减振器高斯过程回归模型用于实际应用；

磁流变减振器高斯过程回归模型以工作电流、活塞运动位移和速度作为模型输入变量，预测阻尼力作为模型输出变量；通过训练和调整磁流变减振器高斯过程回归模型，进而捕捉输入变量与输出变量之间的复杂映射关系，以期精准预测磁流变减振器的输出阻尼力。

3.如权利要求1或2所述的一种基于高斯过程回归模型的磁流变减振器建模方法，其特征在于：所述步骤2中还包括以下步骤：设定高斯过程的均值函数、核函数作为先验分布，其中高斯过程 定义为：式中：f(x)为回归函数；m(x)为均值函数；k(xi,xj)为核函数；xi、xj为数据集的第i个和第j个数据点；

将均值函数m(x)设为零，分别构建点积核函数、Matern5/2核函数、白噪声核函数来表征步骤1中存在的复杂线性、非线性力学特性以及噪声特征三种特征：设定的点积核函数kLinear(xi,xj)满足：式中： 点积核的方差参数；

设定的Matern5/2核函数kMat52(xi,xj)满足：式中： 为Mater5/2核的方差参数，l为长度尺度参数，控制Matern5/2核对输入空间变化的敏感度，||xi‑xj||是数据点xi和xj之间的欧氏距离；

设定白噪声核函数kNoise(xi,xj)满足：式中： 为白噪声核的方差参数，用于模拟观测数据中的随机噪声水平，δ(xi‑xj)为狄拉克函数，表示i和j相等时为1，否则为0；

基于如式(2‑4)中三种核函数，构建式复合核函数ktotal(xi,xj)满足：ktotal (xi,xj)＝kLinear (xi,xj)+kMat52 (xi,xj)+kNoise (xi,xj) (5)通过构建上述复合核函数，捕捉磁流变减振器存在的复杂线性、非线性力学特性，以及数据采集过程中的噪声，确保模型最大程度上从数据中学习上述3类特性，从而有效提升磁流变减振器阻尼力值的预测精度。

4.如权利要求1或2所述的一种基于高斯过程回归模型的磁流变减振器建模方法，其特征在于：所述步骤3中还包括以下步骤：为寻求磁流变减振器高斯过程模型的最优超参数θopt，设定初始超参数作为搜索最优超参数的起始点；

通过给定的输入训练集以及设定超参数初始值，计算后验均值与后验协方差，其中后* *验均值m和后验协方差C分别满足：

* ‑1

m＝KX*X(K+∈I) y (6)

*

式中：K表示训练集x与自身的核矩阵；KX*X表示验证集x 与训练集x的核矩阵； 表示* *训练集x与验证集x的核矩阵； 表示验证集x 与自身的核矩阵；I为单位矩阵；y为训练集观测数据；∈为正则化系数；

上述核矩阵的计算过程如式(8)所示：

式中：n为训练集的样本总数；m为验证集的样本总数；xn为训练集最后一个数据点； 为验证集最后一个数据点；

经计算后的高斯过程表达式满足：

* * * *

式中：m为后验均值；C为后验协方差；y为验证集x的预测输出值，满足：式中： 是验证集中第i个预测值，即由磁流变减振器高斯过程回归模型预测得到的阻尼力值。

5.如权利要求1或2所述的一种基于高斯过程回归模型的磁流变减振器建模方法，其特征在于：所述步骤4中还包括以下步骤：使用高斯过程回归模型对验证集数据进行预测，计算真实值与预测值之间的差异，采用均方根误差(RMSE)评估预测精度：式中：yi是验证集中第i个观测值，即由实际磁流变减振器观测得到的输出阻尼力值。

6.如权利要求1或2所述的一种基于高斯过程回归模型的磁流变减振器建模方法，其特征在于：所述步骤5中还包括以下步骤：经步骤4，磁流变减振器高斯过程回归模型未能达到模型性能要求，则需要重新计算超参数，计算过程如下：首先以边缘对数似然函数L(θ)作为调整超参数的目标函数，以此来衡量模型拟合效果的好坏，边缘对数似然函数L(θ)设定如下：式中：θ为超参数；

边缘对数似然函数L(θ)的值越高，则表示对数据的拟合程度越好；反之则越差；

其次采用贝叶斯优化算法迭代调整边缘对数似然函数，通过寻找最大边缘对数似然函数的值来获取最优超参数θopt，其表达式满足：θopt ＝argmaxθL(θ) (13)

经过迭代优化得到的最优超参数θopt将替代初始超参数，以此循环更新，精确调整磁流变减振器的高斯过程回归模型，实现预测性能的持续提升。