1.一种智能蒙皮天线结构变形标定的方法，其特征在于，包括如下步骤：步骤1，在蒙皮天线上安装若干应变传感器和位置传感器，对所述蒙皮天线施加不同种类的力，进行静态加载，得到不同工况下的应变数据和变形数据；步骤2，建立应变系数与蒙皮天线表面变形的关系，进而求得各应变传感器的应变系数标定值；步骤3，静态加载的不同工况下，将蒙皮天线上可测点的位移变形误差分配至中性轴自由度上，得到不同工况下误差分配的数据；步骤4，利用非均匀有理B样条(NURBS)函数对不同工况下误差分配的数据进行拟合，实现数据扩维；步骤5，利用扩维后的数据训练自构架模糊网络得到自标定系统，利用模糊网络的泛化能力建立应变与中性轴自由度之间的关系，之后通过中性轴自由度以及形函数即可得到天线上任意一点的变形位移值。
2.根据权利要求1所述智能蒙皮天线结构变形标定的方法，其特征在于，所述步骤1，所述应变传感器采用FBG传感器，应变数据通过光纤解调仪实时采集；所述位置传感器采用位移坐标传感器，通过三维动态位移测量仪NDI实时采集坐标变化，得到变形数据。
3.根据权利要求1或2所述智能蒙皮天线结构变形标定的方法，其特征在于，所述步骤1，不同种类的力包括集中力以及均布力，其中集中力为在蒙皮天线末端挂重物施加，均布力通过液压加载施加；所述静态加载是指在所述蒙皮天线上进行按阶段施加不同大小的力。
4.根据权利要求1所述智能蒙皮天线结构变形标定的方法，其特征在于，所述步骤2，基于逆有限元(iFEM)原理，将各点应变值计算至表面变形位移，并逐一对各个环节推导其矩阵表示形式，最终建立起应变系数与蒙皮天线表面变形之间的关系，根据贝叶斯算法求得各应变传感器的应变系数标定值。
5.根据权利要求4所述智能蒙皮天线结构变形标定的方法，其特征在于，所述构建应变系数与蒙皮天线表面变形的关系如下：Y＝N·U其中Y为表面变形，N为形函数，A为类刚度矩阵，λ 1 …λ n 为实测应变数据，U为中性轴节点，k 1 …k n 为待估计的应变系数，通过贝叶斯理论将k 1 …k n 当做随机变量，且该变量遵从已知的分布，然后进行贝叶斯推理，取待估计的应变系数后验分布的期望值作为最终的估计值，并通过下式得到待估计的应变系数k 1 …k n 的后验分布：p(k|Y)∝p(k)·p(Y|k)之后通过马尔可夫链蒙特卡洛方法的吉普斯采样得到的序列为一条马尔科夫链，且是一条符合π(k)平稳分布的马尔科夫链；吉普斯采样经过足够多次的迭代后，待估计的应变系数收敛于一个稳态分布，该分布与初始值完全无关，最终的分布值即为应变系数标定值；p(k|Y)表示k的后验分布，p(k)表示k的先验分布，p(Y|k)表示Y的概率密度函数，∝表示正比于，k＝(k 1 k 2 …k n )，代表待估计的应变系数，n为待估计的应变系数个数。
6.根据权利要求5所述智能蒙皮天线结构变形标定的方法，其特征在于，所述步骤3，所述可测点为安装在表面的所有位置传感器，将其位移变形误差分别分配至中性轴自由度，基于分配后的自由度，插值出蒙皮天线上任意一点的变形位移，实现初步标定；蒙皮天线实际变形表示为如下式：Y e ＝Y s +ΔY其中，Y e 表示为蒙皮天线的实际变形量，Y s 表示根据逆有限元原理得到的重构后的变形量，ΔY表示重构误差，ΔY～N(N·ΔU,σ 2 )表示ΔY服从正太分布N(N·ΔU,σ 2 )，σ 2 表示方差，ΔU指当重构误差为ΔY时中性轴自由度的误差量，将重构位移变形误差分配到中性轴自由度U上，通过形函数N得到蒙皮天线上任意一点的重构误差，从而得到重构误差，如下式：ΔY＝N·ΔU通过贝叶斯岭估计得到准确的ΔU，假设估计系数服从方差为τ 2 高斯先验分布，ΔU～N(0,τ 2 )，相当于施加一个 的正则化因子，之后按步骤2所描述的贝叶斯估计方法估计ΔU。
7.根据权利要求1所述智能蒙皮天线结构变形标定的方法，其特征在于，所述步骤4，所述误差分配的数据是由应变数据以及中性轴自由度的误差量ΔU组成的一个样本数据，不同工况下误差分配的数据为多个样本数据。
8.根据权利要求1所述智能蒙皮天线结构变形标定的方法，其特征在于，所述步骤5，将扩维后的数据代入自构架模糊网络，通过训练数据即可以得到自标定网络，所述自标定网络通过自动增加隶属函数(Membership Function，MF)与模糊规则并对其分布进行调整，使得训练获得的网络能够更加准确地逼近误差分配自由度与测量应变之间的关系。
9.根据权利要求8所述智能蒙皮天线结构变形标定的方法，其特征在于，所述隶属函数为三角形隶属函数，如下式：其中，a、b、c分别为左端点、中间点和右端点，x为自变量。
10.根据权利要求8所述智能蒙皮天线结构变形标定的方法，其特征在于，所述自标定网络的训练过程如下：1)、将自构架模糊网络初始化，使其一条输入为应变值，输出为中心轴自由度的模糊规则，将训练样本数据代入，得到自构架模糊网络的输出误差；2)、判断输出误差是否满足预期误差，若不满足，进入步骤3)；若满足则继续判断隶属度函数是否满足完备性，若满足进入步骤5)；若不满足，则进入步骤3)；3)、增加隶属度函数，增加模糊规则，找到当前匹配度最大的模糊规则，对有最大隶属度的输入增加隶属度函数，之后根据增加的隶属度函数，增加规则数；4)、自适应规则后件，根据自构架模糊网络输出值与给定训练数据输出值之间的偏差量，对模糊规则的后件进行修正，之后进入步骤2)；5)、保存自构架模糊网络。
