1.一种基于神经网络的服装布料动态仿真模拟方法，其特征在于，包括以下步骤：

S1，从人体模型数据库导入数字人体模型，并在数字人体模型基础上，从服装数据库中导入服装数据，在着装数字人体模型的基础上，从动画数据库中添加动态展示动画得到动态展示数字人模型；

S2，将服装布料切分为面积大小在[a,b]范围中的随机离散三角形网格体，并赋予每个离散三角形的三个顶点一个大小在[c,d]范围内的随机质量mi，其中i表示布料网格体顶点的编号，以此构建布料三角形网格体模型，并以数字人体模型头顶最上方的点为原点构建空间坐标系，存储所有网格体的顶点坐标信息；

S3，在布料网格体模型的基础上，基于深度卷积神经网络预测布料网格体的顶点下一时刻的空间坐标信息，实现布料网格体的运动状态模拟；

所述步骤S3的具体过程包括：

S31，获取布料网格体中的每个离散三角形顶点在上一时刻的位置信息、顶点在当前时刻所受到的外力和内力的大小与方向信息；

S32，对获取到的位置信息、外力、内力进行预处理；

S33，将预处理后的三组信息送入深度卷积神经网络框架中，所述深度卷积神经网络包括A、B两个分支网络，其中B分支又包括B1、B2两个分支，B1、B2两个分支网络结构相同但不共享权重；

S34，对含有三个不同分支的深度卷积神经网络进行训练；

S35，对布料网格体的顶点的下一时刻的空间坐标信息的预测。

2.如权利要求1所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：所述步骤S32的外力包括网格体顶点所受的重力和空气阻力，外力计算公式如下：Fα＝miα

其中Fα表示第i个顶点所受到的重力，α表示该顶点所受的重力加速度，mi表示第i个顶点的质量；Fβ示该顶点所受的空气阻力，β表示空气阻力系数， 为t时刻下第i个顶点的空间坐标信息，Δt表示布料网格体顶点运动所经历的一个时间步长；

所述步骤S32的内力包括网格体顶点之间的拉伸力，内力计算公式如下：

Fγ＝‑γ(|xi‑xi′|‑δ)

其中Fγ表示第i个顶点所受到的拉伸力，γ表示顶点之间的拉伸系数，|xi‑xi′|表示第i个顶点和其相邻的顶点的距离，δ表示顶点xi和顶点xi′之间初始距离。

3.如权利要求2所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：所述步骤S32的预处理过程具体包括：S321，求布料网格体中的每个离散三角形的顶点的位置坐标与上一时刻的位置坐标的向量之差，得到顶点位置信息变化矢量值；

S322，将顶点当前时刻所受到的所有外力相加得到外力矢量值：

S323，将顶点当前时刻所受到的所有内力相加得到内力矢量值；

F内＝Fγ＝‑γ(|xi‑xi′|‑δ)

S324，对位置矢量、外力矢量、内力矢量三个一维信息分别通过马尔可夫变迁场MTF的处理，分别得到三个二维信息。

4.如权利要求3所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：所述A分支包含e个卷积层、e个池化层和一个全连接层，其中输入的是步骤S324得到的位置矢量变换后的二维信息，经过分支A进行特征提取后输出提取到的特征信息，且将输出结果分别输入到B1、B2两个分支，作为B1、B2两个分支的输入。

5.如权利要求4所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：所述B1、B2两个分支均包含f个计算单元，除第一个计算单元外的每一个计算单元均有3个输入和

2个输出，输入分别为A分支该时刻的特征输出、上一计算单元的输出、该时刻的力的特征输入，其中第一个计算单元的输入没有来自于上一单元的输出，计算单元的2个输出分别为本计算单元的特征值和预测值，其中B1、B2两个分支的不同之处在顶点所受的力的特征输入项中，B1分支输入的是步骤S324得到的外力矢量变换后的二维信息，B2分支输入的是步骤S324得到的内力矢量变换后的二维信息。

6.如权利要求5所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：所述深度卷积神经网络的训练过程公式如下所示：其中 表示t时刻B1分支传递给下一计算单元的输出， 表示t时刻B2分支传递给下一计算单元的输出， 为t时刻的布料网格体顶点空间坐标位置信息的预测值输出；x(t)为t时刻计算单元的布料网格体顶点的特征输入，即A分支t时刻的特征输出； 为t时刻计算单元的布料网格体顶点的所受外力信息输入； 为t时刻计算单元的布料网格体顶点的所受内力信息输入，f为B分支中的计算单元的数量， 均为激活函数，θ1,θ2,θ3,ρ1,ρ2,ρ3,ω,μ均为权重系数，τ, ε均为偏置。

7.如权利要求6所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：步骤S34中的网络训练是使用布料顶点状态信息数据库当作样本集完成网络训练，所述布料顶点状态信息数据库通过记录实际情况下布料网格体顶点任一时刻的空间坐标、所受外力、所受内力的状态信息来构建，在网络的训练过程中分别输入对应信息作为训练样本，通过(t)损失函数计算网络的预测值 与样本集中的实际值y 的差距判断网络是否收敛，从而得到训练好的深度卷积神经网络。

8.如权利要求7所述的基于神经网络的服装布料动态仿真模拟方法，其特征在于：所述步骤S35具体过程为：对A分支输入t时间内变化下布料网格体顶点的空间位置坐标信息，对B1、B2分支并行输入t时间内变化下布料网格体顶点所受的外力、内力，持续得到网格体顶点的下一个时刻的空间坐标信息预测值，以此更新网格体顶点在t时间内的位置变化坐标，且在第一轮预测结束后，继续输入[t,2t]范围内的布料网格体顶点的空间位置坐标信息、所受的外力、内力，直到布料网格体顶点坐标位置不再变化，以此实现布料运动状态的模拟。