1.一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述方法包括以下步骤：步骤1：对面边邻接图进行预处理，提取特征因子最小子图，将属于同一特征的特征因子聚合为复合特征；

步骤2：对聚合完毕后的每一个特征因子进行特征编码，得到特征编码序列；

步骤3：采用二阶振荡机制和差分算法对NBA算法进行改进；

步骤4：以改进的NBA算法优化BP神经网络，并以优化后的BP神经网络进行特征识别。

2.根据权利要求1所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤1包括以下步骤：步骤1.1：遍历面边邻接图中的任一个面，对应每个面创建一属性邻接图的顶点，提取每个面的属性作为对应属性邻接图顶点的属性；

步骤1.2：对于面边邻接图中的每两个面，识别两者之间的邻接关系，以邻接关系作为所述两个面的对应边的属性；

步骤1.3：基于步骤1.1和步骤1.2，形成属性邻接图AAG(V，E)，其中，V＝{V1,V2…Vi…Vn}为面边邻接图的顶点集合，面边邻接图中的每一个面都与V中的一个元素对应，E为面边邻接图中两个相交的面之间的边的集合；

步骤1.4：遍历属性邻接图AAG(V，E)，提取特征因子最小子图；

步骤1.5：判断任意特征因子最小子图是否存在相交特征，若是，将属于同一特征的特征因子聚合为复合特征，否则，输出所有特征因子最小子图。

3.根据权利要求2所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤1.3中，Vi为面边邻接图的面属性，包括面的类型、面的凹凸性、外环边的数量、外环边的类型和外环边凹凸性，所述E为面边邻接图的边属性，包括边的凹凸性、曲线、直线以及邻接角度。

4.根据权利要求2所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤1.4包括以下步骤：步骤1.4.1：将属性邻接图AAG(V，E)以邻接矩阵存储，其中，邻接矩阵的每个元素为a[i][j]，a[i][j]为i面和j面相交后产生的数值，个位数[j]以0或1分别表示凹边或凸边，十位数[i]以预设的值对应表示不同的形状；

步骤1.4.2：从初始行查找包含凹边的行，若当前行中不存在任一个元素的个位数为0，则为凸面行，对凸面行进行忽略标记，继续查找下一行，若存在任一行的任一元素中个位数为0，则为凹边，进行下一步；

步骤1.4.3：根据当前被查找行的首个凹边确定矩阵中与当前行相交的行，将所述相交的行作为下一查找行，标记当前处理过的凹边；

步骤1.4.4：以下一查找行为当前被查找行，重复步骤1.4.3，直至邻接矩阵包含的所有凹边被标记，记标记的行数为m，按照行列顺序组成m*m的子图矩阵。

5.根据权利要求2所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤1.5包括以下步骤：步骤1.5.1：比较任意两个子图矩阵，若无共同面，则比较下两个，若全无共同面，则所有子图矩阵为特征因子最小子图，进行步骤2，否则，进行下一步；

步骤1.5.2：比较两个子图矩阵的特征基面向量，若相同，则对他们共同的面进行延拓，若延拓时没有被实体阻挡，则这两个子图矩阵聚合为复合特征；

步骤1.5.3：更新对应的子图矩阵，返回步骤1.5.1。

6.根据权利要求1所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤2包括以下步骤：步骤2.1：将聚合完毕后的每一个特征因子的信息转换为面、边、环的权重；

若邻接面为平面，则值为0，若邻接面为凸曲面，则值为1，若邻接面为凹曲面，则值为-

1；

若邻接面内无内环，则值为0，若邻接面内有凹环，则值为5，若有凸环，则值为-1；

若邻接边为直边，根据其凹凸性，则值为1或-1，若邻接边为曲边，根据其凹凸性，则值为2或-2；

当邻接夹角为直角时，值为0，当邻接夹角为钝角时，值为0.5，当邻接夹角为锐角时，值为0.8；

步骤2.2：以Fi为邻接面的权重，Eij为邻接面内的环的权重，Lik为邻接边的权重，Vix为邻接夹角的角度权重，以 计算每一个特征因子的Ai值；

步骤2.3：将Ai值作为当前特征因子的特征编码序列，若编码的维数不足9位则在编码后以1补齐。

7.根据权利要求6所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤2.1中，邻接边C邻接面A和面B，以(Ax，Ay，Az)为面A上的一点、(Bx，By，Bz)为面B的一点、(Cx，Cy，Cz)为邻接边上一点，令直线BC垂直于面A，面A的法向量为(i,j,k)，计算当K>0时邻接边为凹边，K<0时邻接边为凸边。

8.根据权利要求1所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤3包括以下步骤：步骤3.1：粒子在搜索目标的过程中，令t+1次迭代时，第i个粒子在第j个维度位置时的脉冲频率为fij＝fmin+(fmax-fmin)r、速度为 位置更新公式为发送脉冲的频率为 脉冲音强更新公式为

其中，r∈[0,1]， 为第t次迭代时的全局最优值，α∈[0,1]，γ＞0；

步骤3.2：以二阶振荡机制对粒子速度进行改进，改进后得到/1＝c1r1，/2＝c2r2，其中，.为粒子更新的惯性权重因子，c1为粒子个体的学习因子，c2为粒子群体的学习因子，r1、r2∈[0,1]，0i为第i个粒子在第t次迭代时自身的个体最优位置，g表示整个粒子群体当前时刻的群体最优位置；

步骤3.3：以差分进化算法进一步改进NBA算法，t+1次迭代时，第i个粒子在第j个维度的速度为 其中，i≠p1≠p2≠p3，p1、p2、p3分别表示种群中的个体， 为缩放因子，

步骤3.4：设置交叉机制 其中，cr为交

叉概率，jr为粒子维度内的一个随机正整数；

步 骤3 .5 ：最 终 得 到t + 1次 迭 代 ，第i 个 粒 子的 最 佳更 新 位 置 为其中，函数f为目标函数。

9.根据权利要求8所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤3.2中，c1＝c1s+(c1e-c1s)*sinω，c2＝c2s+(c2e-c2s)*sinω，其中，r3、r4、r∈[0,1]，Gmax为最大迭代次数，.s和.e分别为惯性权重的初始值和最终值，t是当前迭代的次数，c1s和c2s为c1和c2的初始值，c1e和c2e为c1和c2的迭代最终值。

10.根据权利要求8所述的一种基于改进NBA算法的BPNN特征识别方法，其特征在于：所述步骤4包括以下步骤：步骤4.1：定义目标函数粒子适应度函数f，n为粒子个体数，每个粒子的维度为j；令最大迭代次数为G；

步骤4.2：将改进后的NBA算法初始化，初始化第i个粒子迭代的位置向量为 速度向量为 粒子频率为 脉冲频度为 音强 i＝1,2,3…n；

步骤4.3：计算当前时刻迭代时各粒子的适应度值，找出全局的最佳位置g,并对粒子群更新速度 位置

步骤4.4：产生随机数rand1,若 则以Xnew＝Xold+εAt随机产生一个新的位置，Xold为最近一次更新的位置，ε∈[0,1]；

若 且将f(Xnew)＜f(Xold)，则更新粒子的位置至Xnew，并更新脉冲频度更新音强为

若f(Xnew)＜f(g)，则将Xnew设置为当前全局最优粒子位置；

步骤4.5：产生随机数rand2，如果rand2＜cr，则以 代入 进行选择，得到

若 小于上一个全局最优位置的适应度函数

值，则更新粒子位置或全局最优粒子位置；

步骤4.6：计算误差，若误差未达到设定值或迭代次数小于G，则返回步骤4.3，否则，进行下一步；

步骤4.7：输出全局最优个体的适应值和最优位置；

步骤4.8：根据最优位置更新BP神经网络的权值和阈值，建立最优特征识别网络模型，并输出预测结果。