1.基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，包括如下步骤：以推进器为运动控制对象，基于坐标系以及推进器的特性构建推进器系统的运行动力学模型；

预设推进器系统的期望轨迹，依据推进器系统输出的与期望轨迹的误差信息、遗忘因子以及相应的分数阶变换构造遗忘因子分数阶高阶迭代学习控制器；

初始化推进器系统的运行动力学模型，依据收敛性条件调整遗忘因子分数阶高阶迭代学习控制器，通过控制器作用于推进器系统，获取推进器系统的实际运行轨迹；

判断推进器系统的实际运行轨迹是否满足期望轨迹，若是，获得期望的实际运动轨迹，否则根据实际运行轨迹和期望轨迹的误差，通过分数阶微积分变换后修正所述控制器直至完成推进器系统的轨迹跟踪；

其中，所述遗忘因子分数阶高阶迭代学习控制器包括三部分：

误差信息推进器的当前时刻输入量等于初始输入量的γ倍、前一时刻输入量的(1-γ)倍以及所有前期跟踪误差分数阶变换后学习项之和，其中跟踪误差学习项等于跟踪误差的α次分数阶微分总和的K

2.如权利要求1所述的基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，所述推进器系统的运行动力学模型的表达式为：式中，η表示固定坐标系下的机器人位置姿态向量；ν表示运动坐标系下机器人的线速度以及角速度向量；J(η)表示转换矩阵；M表示惯性矩阵；C(ν)表示科氏向心力矩；D(ν)表示流体阻力力矩；g(η)表示重力与浮力共同作用下的力矩阵；τ表示机器人推进器产生的力矩向量。

3.如权利要求1所述的基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，所述收敛性条件具体为：若系统满足条件||(1-γ)I-K

4.如权利要求1所述的基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，所述坐标系包括固定坐标系和运动坐标系，以海岸固定点为固定坐标系，以推进器质点为运动坐标系。

5.如权利要求1所述的基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，所述推进器系统为海洋机器人推进器系统。

6.如权利要求1所述的基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，推进器相应的动力学运动特性通过运用雅克比矩阵以及拉格朗日公式得到。

7.基于遗忘因子高阶迭代学习的推进器控制系统，采用权利要求1-6任一项所述的基于遗忘因子高阶迭代学习的推进器控制方法，其特征在于，包括：动力学模型构建，被配置为：以推进器为运动控制对象，基于坐标系以及推进器的特性构建推进器系统的运行动力学模型；

控制器构造，被配置为：预设推进器系统的期望轨迹，依据推进器系统输出的与期望轨迹的误差信息、遗忘因子以及相应的分数阶变换构造遗忘因子分数阶高阶迭代学习控制器；

实际运行轨迹获取模块，被配置为：初始化推进器系统的运行动力学模型，依据收敛性条件调整遗忘因子分数阶高阶迭代学习控制器，通过控制器作用于推进器系统，获取推进器系统的实际运行轨迹；

判断推进器系统的实际运行轨迹是否满足期望轨迹，若是，获得期望的实际运动轨迹，否则根据实际运行轨迹和期望轨迹的误差，通过分数阶微积分变换后修正所述控制器直至完成推进器系统的轨迹跟踪。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于遗忘因子高阶迭代学习的推进器控制方法中的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一项所述的基于遗忘因子高阶迭代学习的推进器控制方法中的步骤。