1.一种基于大数据的虚拟仿真教学管理方法，其特征在于，包括：

获取虚拟仿真学员的行为数据，所述行为数据包括学员的行为数据、反应数据和情绪数据；

将所述行为数据进行专注度分析，得到所述行为数据对应的专注度评分；

基于长短期记忆网络算法和自适应模糊控制算法对所述行为数据和所述专注度评分进行处理，并基于处理得到的学员的注意力波动数据进行聚类分析，确定每个类别的学员对应的教学策略；

基于每个类别的学员对应的教学策略和所述学员的注意力波动数据对学员的学习互动环节进行优化，得到优化后的教学策略；

基于优化后的教学策略与专注度评分输入至预设的学习干预模型进行处理，得到每个专注度评分对应的专注力干预策略；

将所述专注力干预策略和预设的学员的学习进度数据进行效率评估处理，并基于评估得到的学员的学习效率评估结果进行教学管理优化，得到优化后的教学管理策略，所述教学管理策略包括教学进度管理和教学路径管理；

其中，基于长短期记忆网络算法和自适应模糊控制算法对所述行为数据和所述专注度评分进行处理，并基于处理得到的学员的注意力波动数据进行聚类分析，确定每个类别的学员对应的教学策略，包括：将所述行为数据和所述专注度评分按时间顺序整理成时间序列数据，并将时间序列数据输入至长短期记忆网络进行训练和预测，得到学员的注意力波动预测数据；

将所述注意力波动预测数据作为自适应模糊控制算法的输入，其中自适应模糊控制算法通过对比实际专注度评分与预测结果，调整自适应模糊控制算法中的控制规则，进而通过模糊推理机制得到学员的专注度评分的预测结果；

基于K均值聚类算法和专注度评分的预测结果学员进行群体分类，并将每个类别的学员评分均值与历史教学策略进行灰色关联分析，得到每个类别的学员对应的教学策略。

2.根据权利要求1所述的基于大数据的虚拟仿真教学管理方法，其特征在于,将所述行为数据进行专注度分析，得到所述行为数据对应的专注度评分，包括：基于动态时间规整算法对学员的行为数据时序分析，得到学员的操作反应速度和准确率的变化数据，并通过计算动态时间规整距离，得到每个学员的操作流畅度评分，将其作为行为数据对应的专注度评分，其中，行为数据包括操作时间数据、反应速度数据和错误率数据；

通过小波变换对所述反应数据进行多尺度分析，其中，通过提取所述反应数据中的高频与低频信号变化数据，得到学员的反应状态，并基于预设的反应状态对应的评分阈值确定所述反应数据对应的专注度评分值，所述反应数据包括心率数据和皮肤电反应数据；

通过自适应卷积神经网络进行情绪数据的特征提取，其中，所述情绪数据包括学员的面部图像和音频信号，通过自适应卷积神经网络提取得到学员的面部肌肉运动的细节特征和学员沟通的音频信号的时频特征；

基于所述学员的面部肌肉运动的细节特征和学员沟通的音频信号的时频特征进行特征结合，并基于结合得到学员的情绪状态和预设的情绪状态对应的评分阈值确定情绪状态对应的专注度评分；

将所述行为数据对应的专注度评分、反应数据对应的专注度评分和情绪状态对应的专注度评分进行加权计算，得到行为数据对应的专注度评分。

3.根据权利要求1所述的基于大数据的虚拟仿真教学管理方法，其特征在于,基于每个类别的学员对应的教学策略和所述学员的注意力波动数据对学员的学习互动环节进行优化，包括：根据每个类别的学员对应的教学策略和学员的注意力波动信息，使用强化学习算法优化学员的学习互动过程，得到学员的状态调整策略；

根据所述学员的状态调整策略和任务切换理论分析学员在不同任务之间的切换频率和任务复杂度，并基于所述不同任务之间的切换频率和任务复杂度调整互动任务，得到调整后的互动任务；

基于遗传算法对调整后的互动任务进行迭代遗传操作，其中通过通过迭代遗传操作，得到每个学员对应的优化后的互动任务，将每个类别的学员对应的教学策略和每个学员对应的优化后的互动任务作为优化后的教学策略。

4.根据权利要求1所述的基于大数据的虚拟仿真教学管理方法，其特征在于,基于优化后的教学策略与专注度评分输入至预设的学习干预模型进行处理，包括：根据学员的专注度评分和行为数据，使用贝叶斯推理算法进行状态推测，其中，通过更新学员专注度的后验概率分布，预测得到学员当前的专注度状态；

根据学员当前的专注度状态发送至预设的学习干预模型，制定专注度状态学员休息的干预策略，其中所述干预策略包括学员休息时间。

5.一种基于大数据的虚拟仿真教学管理系统，其特征在于，包括：

获取单元，用于获取虚拟仿真学员的行为数据，所述行为数据包括学员的行为数据、反应数据和情绪数据；

分析单元，用于将所述行为数据进行专注度分析，得到所述行为数据对应的专注度评分；

聚类单元，用于基于长短期记忆网络算法和自适应模糊控制算法对所述行为数据和所述专注度评分进行处理，并基于处理得到的学员的注意力波动数据进行聚类分析，确定每个类别的学员对应的教学策略；

优化单元，用于基于每个类别的学员对应的教学策略和所述学员的注意力波动数据对学员的学习互动环节进行优化，得到优化后的教学策略；

处理单元，用于基于优化后的教学策略与专注度评分输入至预设的学习干预模型进行处理，得到每个专注度评分对应的专注力干预策略；

评估单元，用于将所述专注力干预策略和预设的学员的学习进度数据进行效率评估处理，并基于评估得到的学员的学习效率评估结果进行教学管理优化，得到优化后的教学管理策略，所述教学管理策略包括教学进度管理和教学路径管理；

其中，所述聚类单元，包括：

第一聚类子单元，用于将所述行为数据和所述专注度评分按时间顺序整理成时间序列数据，并将时间序列数据输入至长短期记忆网络进行训练和预测，得到学员的注意力波动预测数据；

第二聚类子单元，用于将所述注意力波动预测数据作为自适应模糊控制算法的输入，其中自适应模糊控制算法通过对比实际专注度评分与预测结果，调整自适应模糊控制算法中的控制规则，进而通过模糊推理机制得到学员的专注度评分的预测结果；

第三聚类子单元，用于基于K均值聚类算法和专注度评分的预测结果学员进行群体分类，并将每个类别的学员评分均值与历史教学策略进行灰色关联分析，得到每个类别的学员对应的教学策略。

6.根据权利要求5所述的基于大数据的虚拟仿真教学管理系统，其特征在于，所述分析单元，包括：第一分析子单元，用于基于动态时间规整算法对学员的行为数据时序分析，得到学员的操作反应速度和准确率的变化数据，并通过计算动态时间规整距离，得到每个学员的操作流畅度评分，将其作为行为数据对应的专注度评分，其中，行为数据包括操作时间数据、反应速度数据和错误率数据；

第二分析子单元，用于通过小波变换对所述反应数据进行多尺度分析，其中，通过提取所述反应数据中的高频与低频信号变化数据，得到学员的反应状态，并基于预设的反应状态对应的评分阈值确定所述反应数据对应的专注度评分值，所述反应数据包括心率数据和皮肤电反应数据；

第三分析子单元，用于通过自适应卷积神经网络进行情绪数据的特征提取，其中，所述情绪数据包括学员的面部图像和音频信号，通过自适应卷积神经网络提取得到学员的面部肌肉运动的细节特征和学员沟通的音频信号的时频特征；

第四分析子单元，用于基于所述学员的面部肌肉运动的细节特征和学员沟通的音频信号的时频特征进行特征结合，并基于结合得到学员的情绪状态和预设的情绪状态对应的评分阈值确定情绪状态对应的专注度评分；

第五分析子单元，用于将所述行为数据对应的专注度评分、反应数据对应的专注度评分和情绪状态对应的专注度评分进行加权计算，得到行为数据对应的专注度评分。

7.根据权利要求5所述的基于大数据的虚拟仿真教学管理系统，其特征在于，所述优化单元，包括：第一优化子单元，用于根据每个类别的学员对应的教学策略和学员的注意力波动信息，使用强化学习算法优化学员的学习互动过程，得到学员的状态调整策略；

第二优化子单元，用于根据所述学员的状态调整策略和任务切换理论分析学员在不同任务之间的切换频率和任务复杂度，并基于所述不同任务之间的切换频率和任务复杂度调整互动任务，得到调整后的互动任务；

第三优化子单元，用于基于遗传算法对调整后的互动任务进行迭代遗传操作，其中通过通过迭代遗传操作，得到每个学员对应的优化后的互动任务，将每个类别的学员对应的教学策略和每个学员对应的优化后的互动任务作为优化后的教学策略。

8.根据权利要求5所述的基于大数据的虚拟仿真教学管理系统，其特征在于，所述处理单元，包括：第一处理子单元，用于根据学员的专注度评分和行为数据，使用贝叶斯推理算法进行状态推测，其中，通过更新学员专注度的后验概率分布，预测得到学员当前的专注度状态；

第二处理子单元，用于根据学员当前的专注度状态发送至预设的学习干预模型，制定专注度状态学员休息的干预策略，其中所述干预策略包括学员休息时间。