1.一种磁滞回线预测模型建立方法，其特征在于，包括以下步骤：对铁磁材料进行磁滞特性实验，设定不同磁感应强度峰值下预设正弦波激励下的磁滞回线相关特征，磁滞回线相关特征包括磁感应强度波形数据和磁场波形数据；建立磁滞回线预测模型，磁滞回线预测模型包括改进卷积神经网络模型和K近邻算法模型，采用改进卷积神经网络模型进行数据训练，输入为磁感应强度峰值及磁感应强度波形数据，输出为磁场波形数据，得到训练好后的改进卷积神经网络模型；获取训练好后的改进卷积神经网络模型得到的特征数据，设定目标值为磁场波形数据，采用改进卷积神经网络模型基于特征数据对磁场波形数据进行调整，得到最终磁场波形结果。
2.根据权利要求1所述的磁滞回线预测模型建立方法，其特征在于：对磁感应强度峰值、磁场强度波形和磁场波形数据均进行数据标准化处理，在改进卷积神经网络中采用标准化后的磁感应强度峰值、磁场强度波形和磁场波形数据进行训练。
3.根据权利要求1所述的磁滞回线预测模型建立方法，其特征在于，对磁感应强度峰值、磁场强度波形和磁场波形数据均进行数据标准化处理的方法为：将磁滞特性实验得到的磁感应强度峰值、磁场强度波形和磁场波形数据按列排布，通过Standard Scaler标准化方法将每列数据转换为相同的尺度，设定每个数据为特征值，对每个特征值进行标准化处理的公式为：其中，X为特征值，μ为每一列特征的均值，σ为每一列特征的标准差，X scaled 为标准化的磁场强度波形或磁场波形数据。
4.根据权利要求1所述的磁滞回线预测模型建立方法，其特征在于：改进卷积神经网络模型包括卷积层、池化层、展平层、第一全连接层、Dropout层、第二全连接层和输出层，其中卷积层使用32个卷积核以生成32个特征图，每个卷积核的大小为1行2列，采用公式(2)修正线性单元作为激活函数以引入非线性特性，公式(2)为：f(x)＝max(0,x)(2)其中，x表示神经元接收到的激活值，当输入x>0时，输出为x，当输入x≤0时，输出为0；池化层用于下采样，池化层窗口大小为1行1列；展平层用于将多维输入数据转换为一维数据输入到第一全连接层中；第一全连接层有64个神经元，使用ReLU作为激活函数；Dropout层的丢弃率为40％～60％；第二全连接层包含1个神经元。
5.根据权利要求1所述的磁滞回线预测模型建立方法，其特征在于：在改进卷积神经网络模型的训练过程中，通过反向传播算法实现在每次迭代中根据当前的预测误差自适应地调整参数，损失函数采用均方误差。
6.根据权利要求1所述的磁滞回线预测模型建立方法，其特征在于，采用K近邻算法模型对磁场强度波形结果进行调整，输出最终磁场强度波形结果的方法为：设定待预测样本为磁场强度波形结果，对于每个待预测样本，K近邻算法使用欧氏距离计算该待预测样本与训练集中所有样本之间的距离；根据计算的距离，找到离待预测样本最近的K个最近邻样本；通过K近邻算法模型提取K个最近邻样本一一对应的K个目标值，通过计算K个目标值的均值来生成最终的预测值，将最终的预测值作为最终磁场波形结果。
7.根据权利要求1所述的磁滞回线预测模型建立方法，其特征在于：在K近邻算法中增加5折交叉验证，将磁场强度波形结果的数据集划分为5个子集，每次从5个子集中选择1个作为验证集，其余4个作为训练集，对训练集进行训练并在测试集上进行评估；在交叉验证中，对于每一折的均方误差计算如公式(6)所示；其中，m i 是第i折的样本数量，y ij 是第i折的真实值， 是第i折的预测值。
8.一种磁滞回线预测模型建立装置，其特征在于，包括：数据获取模块，用于对铁磁材料进行磁滞特性实验，设定不同磁感应强度峰值下预设正弦波激励下的磁滞回线相关特征，磁滞回线相关特征包括磁感应强度波形数据和磁场波形数据；模型建立模块，用于建立磁滞回线预测模型，磁滞回线预测模型包括改进卷积神经网络模型和K近邻算法模型，采用改进卷积神经网络模型进行数据训练，输入为磁感应强度峰值及磁感应强度波形数据，输出为磁场波形数据，得到训练好后的改进卷积神经网络模型；获取训练好后的改进卷积神经网络模型得到的特征数据，设定目标值为磁场波形数据，采用K近邻算法模型基于特征数据对磁场波形数据进行调整，得到最终磁场波形结果。
9.一种电子设备，其特征在于：包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述权利要求1-7任一项所述的磁滞回线预测模型建立方法。
10.一种非暂态计算机可读存储介质，其特征在于：其上存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1-7任一项所述的磁滞回线预测模型建立方法。
