1.一种基于内嵌物理知识神经网络的非定常气动力建模方法，其特征在于，包括：步骤S1：确定非定常气动力建模问题，根据飞行器类型和非定常气动力建模问题确定纵向运动的非定常气动力物理方程及非定常气动力物理方程结构，确定非定常气动力物理方程中非定常气动力增量一阶微分方程；步骤S2：根据非定常气动力物理方程和非定常气动力增量一阶微分方程，确定各物理量及各物理量影响指标之间函数映射关系；步骤S3：根据非定常气动力物理方程结构中的预测项及预测项所属关系和风洞测量的静态风洞试验数据和动态风洞试验数据，设计神经网络架构；步骤S4：根据各物理量及各物理量影响指标之间函数映射关系，确定每个网络的层数、节点数及激活函数；步骤S5：根据非定常气动力物理方程结构中的预测项及预测项所属关系设计损失函数；步骤S6：根据风洞测量的静态和动态风洞试验数据，选择并划分样本，利用K-折交叉验证方法产生训练集；步骤S7：进行神经网络训练，当迭代次数小于N时，重新迭代计算损失函数，当迭代次数等于N时，输出网络最优参数，输出大迎角非定常气动力模型；所述步骤S1，包括：纵向运动的非定常气动力物理方程由静态气动力、由角速率产生的准定常气动力增量和由非定常分离产生的非定常气动力增量组成，表示为：其中： 为非定常气动力及非定常气动力系数； 为静态气动力； 为准定常气动力增量； 为非定常气动力增量； 表示迎角； 表示角速率； 表示运动时间；所述步骤S1，还包括：非定常气动力增量一阶微分方程表示如下：其中： 为非定常气动力增量变化历程； 为非定常增量系数项； 为非定常效应项；所述步骤S3，包括：步骤S31：根据非定常气动力物理方程和非定常气动力增量一阶微分方程的所属关系与所对应风洞试验测量的静态风洞试验数据和动态风洞试验数据的对应关系，设计了描述准定常项 的神经网络 、描述非定常增量项 的神经网络 、及描述非定常增量系数项 的神经网络 、描述非定常效应项 的神经网络 ；步骤S32：基于神经网络 、神经网络 、神经网络 、神经网络 ，通过损失函数构成神经网络架构；所述步骤S31，包括：根据非定常气动力物理方程，构建神经网络 ，表示迎角 、角速率 和准定常气动力增量 之间的函数映射关系，用于学习小扰动运动参数和准定常气动力增量 之间的非线性关系，神经网络 的输入为迎角 和角速率 ，输出为准定常气动力增量 ；则非定常气动力物理方程更新为：其中， 为建立的表示迎角 、角速率 和准定常气动力增量 之间函数映射关系的神经网络 ；根据非定常气动力增量一阶微分方程，构建神经网络 ，表示迎角 、角速率 和运动历程与非定常气动力 之间的函数映射关系，用于学习大攻角飞行状态和非定常气动力增量 之间的非线性非定常关系，神经网络 的输入为迎角 、角速率 和运动时间 ，输出为非定常气动力增量 ：根据非定常气动力增量一阶微分方程，构建神经网络 ，表示迎角 、角速率 与非定常效应项 之间的函数映射关系，用于学习大攻角飞行状态和非定常气动力之间的非线性非定常关系，神经网络 的输入为迎角 和角速率 ，输出为非定常效应项 ；则非定常气动力增量一阶微分方程更新为：其中， 为建立的表示迎角 、角速率 、运动时间 和非定常气动力增量 之间函数映射关系的神经网络 ； 为建立的表示迎角 、角速率 与非定常效应项 之间的函数映射关系的神经网络 ；根据非定常气动力增量一阶微分方程，构建神经网络 ，表示迎角 、角速率 与非定常气动力增量 的函数映射关系，用于学习大攻角飞行状态和非定常气动力增量 变化历程之间的非线性非定常关系，神经网络 的输入为迎角 和角速率 ，输出为非定常气动力增量 。
2.根据权利要求1所述的一种基于内嵌物理知识神经网络的非定常气动力建模方法，其特征在于，所述步骤S2，包括： 是关于迎角 的非线性函数； 是关于迎角 、角速率 的函数； 是关于迎角 、角速率 及运动时间 的函数； 是关于迎角 的函数； 是关于迎角 、角速率 的函数。
3.根据权利要求2所述的一种基于内嵌物理知识神经网络的非定常气动力建模方法，其特征在于，所述步骤S4，包括：每个神经网络都包含一个输入层、四个隐藏层和一个输出层；输入层的节点数与输入有关，四个隐藏层中的三个隐藏层的节点数均相同，每个隐藏层用Sigmoid作为激活函数，输出层节点为1；将四个神经网络输出的物理量与训练样本的标签物理量分别代入对应的函数和微分方程，并分别通过两者之间的差异构建损失函数MSE、损失函数ODE；其中，MSE表示均方误差，ODE表示常微分方程。
4.根据权利要求3所述的一种基于内嵌物理知识神经网络的非定常气动力建模方法，其特征在于，所述步骤S5中设计的损失函数表示如下：其中： 为神经网络 的损失函数MSE； 为神经网络 、 、 的损失函数ODE； 为通过神经网络预测值计算得到的非定常气动力及非定常气动力系数； 为通过风洞试验测量值计算得到非定常气动力及非定常气动力系数。
5.根据权利要求4所述的一种基于内嵌物理知识神经网络的非定常气动力建模方法，其特征在于，所述步骤S6，包括：根据风洞试验静态风洞试验和动态风洞试验产生的数据库，选择2个减缩频率的数据作为样本，利用K-折交叉验证方法产生训练集 、 ，同时设定学习率 与最大迭代次数N。
6.根据权利要求5所述的一种基于内嵌物理知识神经网络的非定常气动力建模方法，其特征在于，所述步骤S7，包括：步骤S71：初始化4个神经网络的权重系数w10、w20、w30、w40；步骤S72：对4个神经网络进行训练，并计算损失函数；步骤S73：利用优化算法更新权重系数w10、w20、w30、w40和损失函数，对四个神经网络进行训练，最小化损失函数得到4个神经网络最优的权重系数，当迭代次数小于N时重新训练并计算损失函数，当迭代次数等于N时，输出网络最优参数。
