1.联合卷积与循环神经网络的结构损伤识别方法，其特征在于，包括：S1、利用多个传感器采集待测目标不同位置的振动响应加速度数据；

S2、对振动响应加速度数据进行预处理形成时间序列数据矩阵；

S3、利用卷积神经网络从时间序列数据矩阵中提取空间相关性特征及短时间尺度依赖特征；

S4、利用门控循环网络基于空间相关性特征及短时间尺度依赖特征提取长时间尺度依赖性特征；

S5、利用长时间尺度依赖性特征对待测目标的损伤状态进行分类。

2.如权利要求1所述的联合卷积与循环神经网络的结构损伤识别方法，其特征在于，步骤S2中：第i个传感器采集的振动响应加速度数据为 表示第i个传感器在t时刻采集的振动响应加速度，R表示在每一时刻加速度传感器获取的值，q表示时间序列的长度；

时间序列数据矩阵为X， 表示串联操作，p表示传感器总个数，xt∈Rp，xt为中与时间戳t对应的列向量，Rp表示所有传感器的向量矩阵。

3.如权利要求2所述的联合卷积与循环神经网络的结构损伤识别方法，其特征在于，步骤S3中：卷积神经网络通过卷积、池化交替作用，对X进行特征提取与降维，输出的第i层的特征图为Hi表示如下：Hi＝f(Hi-1⊙Wi+bi)

式中，f表示非线性的激活函数，Wi、bi分别表示卷积神经网络在第i个卷积核的权值矩阵和偏置矩阵；⊙表示权值矩阵Wi与特征图Hi-1进行卷积操作；H0作为第一层的输入，H0＝X。

4.如权利要求3所述的联合卷积与循环神经网络的结构损伤识别方法，其特征在于，步骤S3中：门控循环网络中GRU单元在t+1时刻的计算过程如下：rt+1＝σ(Θr[yt+1,ht]+br)ut+1＝σ(Θu[yt+1,ht]+bu)ct+1＝tanh(Θc[yt+1,(rt+1⊙ht)]+bc)ht+1＝ut+1⊙ht+(1-ut+1)⊙ct+1式中，ht表示在t时刻迭代生成的隐含状态，也表示t+1时刻迭代的初始隐含状态；yt+1是卷积层生成的隐含特征；ht+1是t+1时刻生成的隐含状态；rt+1和ut+1是t+1时刻的重置门和更新门；Θr、Θu和Θc表示滤波器的学习参数，⊙表示张量的元素乘积，σ表示sigmoid函数，br表示重置门的偏置矩阵，bu表示更新门的偏置矩阵，ct+1表示候选隐含状态，bc表示候选隐含状态的偏置矩阵，tanh表示激活函数。