1.一种用于智能材料器件的神经网络建模方法，其特征在于：包括以下步骤：

S1、根据智能材料器件的物理特性和约束条件，构建JA迟滞模型；

S2、对JA迟滞模型进行离散化，得到离散后的JA迟滞模型；

S3、根据离散后的JA迟滞模型及其结构关系、离散后的JA迟滞模型的输入激励与智能材料器件输出响应之间的信号传递关系，构建对应的神经网络，完成建模；

所述步骤S1中的JA迟滞模型的公式为：

其中，M为输出变量，表示JA迟滞模型输出的磁化程度，Mrev表示JA迟滞模型的可逆磁化程度，Mirr表示JA迟滞模型的不可逆磁化程度，H表示输入的智能材料器件的磁场强度，所述步骤S2中的离散后的JA迟滞模型的公式为：

其中，k表示时刻，M

所述步骤S3中的结构关系为离散后的JA迟滞模型的参数与其公式中各项间结构关系；所述步骤S3中的离散后的JA迟滞模型输入激励与智能材料器件输出响应之间的信号传递关系为离散后的JA迟滞模型的输入信号到输出信号的传递关系；

所述步骤S3中的智能材料器件的神经网络模型包括8个输入层、38个隐含层和一个输出层；所述38个隐含层和一个输出层均包括一个神经元；层与层之间的连接权重均为1；

所述输入层包括并联的八个输入单元，分别为In1、In2、In3、In4、In5、In6、In7及In8；所述输出层为隐含层39；

其中，智能材料器件的神经网络模型的具体设计过程如下：

将输入电压序列H及其导数序列dH、五个由常数1构成的输入序列以及由采样时间T构成的输入序列分别输入至八个输入单元；

分别对输入单元In1的输出数据、输入单元In2的输出数据以及隐含层39的输出数据进行延迟，得到对应的延迟数据；将输入单元In3至输入单元In7的输出数据分别输入至隐含层1至隐含层5进行计算；

将隐含层39对应的延迟数据、隐含层2的输出数据输入至隐含层12进行计算；将输入单元In1的延迟数据和隐含层12的输出数据输入至隐含层6进行计算；将隐含层1的输出数据输入至隐含层37进行计算；将输入单元In2的延迟数据输入至隐含层13进行计算；将隐含层37和隐含层6的输出数据输入至隐含层7进行计算；

将隐含层7的输出数据分别输入至隐含层8、隐含层14进行计算；将隐含层8的输出数据输入至隐含层10进行计算；将隐含层6的输出数据输入至隐含层9进行计算；将隐含层10的输出数据、隐含层1的输出数据输入至隐含层11进行计算；

将隐含层9和隐含层11的输出数据输入至隐含层15进行计算；将隐含层9的输出数据、隐含层2的输出数据、隐含层3的输出数据、隐含层4的输出数据输入至隐含层16进行计算；将隐含层11的输出数据、隐含层1的输出数据、隐含层2的输出数据、隐含层3的输出数据、隐含层4的输出数据输入至隐含层17进行计算；将隐含层6的输出数据、隐含层14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1的输出数据、隐含层4的输出数据输入至隐含层19进行计算；将隐含层39对应的延迟数据、隐含层6的输出数据输入至隐含层20进行计算；

将隐含层15的输出数据、隐含层16的输出数据、隐含层17的输出数据输入至隐含层21进行计算；将隐含层18的输出数据、隐含层19的输出数据、隐含层20数据的输出数据输入至隐含层22进行计算；将隐含层3的输出数据输入至隐含层23进行计算；将隐含层5的输出数据、隐含层13的输出数据输入至隐含层24进行计算；

将隐含层6的输出数据、隐含层23的输出数据、隐含层24数据的输出输入至隐含层27进行计算；将隐含层21的输出数据输入至隐含层38进行计算；将隐含层38的输出数据、隐含层15的输出数据输入至隐含层29进行计算；

将输入单元In8的输出数据、隐含层23的输出数据、隐含层22的输出数据、输入单元In2的延迟数据输入至隐含层25进行计算；将隐含层22的输出、隐含层2的输出数据输入至隐含层26进行计算；将隐含层26的输出数据、隐含层27的输出输入至隐含层28进行计算；将隐含层9的输出数据、隐含层4的输出数据、隐含层3的输出数据、输入单元In2的延迟数据、输入单元In8的输出数据输入至隐含层31进行计算；将隐含层11的输出数据、隐含层4的输出数据、隐含层3的输出数据、隐含层1的输出数据、输入单元In2的延迟数据、输入单元In8的输出数据输入至隐含层32进行计算；

将隐含层28的输出数据输入至隐含层36进行计算；将隐含层31的输出数据、隐含层38的输出数据输入至隐含层34进行计算；将隐含层38的输出数据、隐含层32的输出数据输入至隐含层35进行计算；将隐含层25的输出数据、隐含层36的输出数据输入至隐含层30进行计算；将隐含层29的输出数据、隐含层30的输出数据输入至隐含层33进行计算；将隐含层33的输出数据、隐含层34的输出数据、隐含层35的输出数据、隐含层39对应的延迟数据输入至隐含层39进行计算，完成处理。

2.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述步骤S1中智能材料器件包括压电作动器、形状记忆合金驱动器、变压器磁芯和磁流变阻尼器。

3.根据权利要求1所述的用于智能材料器件的神经网络建模方法，其特征在于：所述隐含层1至隐含层5的激活函数分别为Sa＝eτu、Sα＝eτu、Sc＝eτu、Sms＝eτu、Sk＝eτu；所述隐含层8的激活函数为双曲正弦函数，即sinh(u)；所述隐含层9、隐含层10的激活函数均为平方函数，即u2；所述隐含层13的激活函数为饱和函数，即sat(u)；所述隐含层14的激活函数为双曲余弦函数，即coth(u)；所述隐含层23的激活函数为1-u；所述隐含层36、隐含层37、隐含层38的激活函数均为

4.一种基于权利要求1至3任一所述的用于智能材料器件的神经网络建模方法的迟滞特性预测方法，其特征在于：包括以下步骤：B1、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；

B2、将电压序列数据集作为智能材料器件的神经网络模型的输入，将位移序列数据集作为标签，并对智能材料器件的神经网络模型进行训练，得到训练后的智能材料器件的神经网络模型；

B3、将待预测的迟滞特性数据输入至训练后的智能材料器件的神经网络模型，得到预测后的位移输出数据，完成对迟滞特性的预测。

5.根据权利要求4所述的迟滞特性预测方法，其特征在于：所述步骤B2采用LM算法对神经网络进行训练，根据均方误差目标函数对神经网络的权重进行调整，直至得到小于10-5的均方误差目标函数，得到训练后的神经网络。

6.根据权利要求5所述的迟滞特性预测方法，其特征在于：所述训练步数设定为500步。