1.一种高铁填料振动压实的参数优化方法，其特征在于：包括以下步骤:(1)采用双曲线模型对压实过程干密度进行拟合，计算与构建原始数据；

(2)在获取训练数据的基础上，采用BP神经网络建立干密度增量预测模型；

(3)采取压实度指标评价压实质量，建立压实度约束条件；

(4)基于GA算法对振动参数优化过程进行求解，建立基于GA的动态优化模型；

(5)将参数优化处理后所述的动态优化结果确定为振动压实的最佳方案；

所述的步骤(2)中干密度增量预测模型的建立步骤包括：

a.构建高铁填料振动压实参数数据集，包括步骤：原始数据输入，对数据进行预处理，并划分训练集、验证集和测试集；

b.搭建BP神经网络模型架构，输入训练集和验证集执行模型训练，判断验证集误差是否小于设定误差，若大于，则修改模型架构并重新训练，若小于，则进入下一步；

c.利用测试集验证BP神经网络模型的预测能力，判断测试集误差是否小于设定误差，若大于，则返回步骤b重新训练模型，若小于，则保存最终干密度增量预测模型；

所述的步骤(3)中：压实度约束条件的公式如下：

式中， 为振动n次后的干密度值， 为干密度的最大值；

所述的步骤(4)中基于GA的动态优化模型由以下步骤获得：A.设置GA算法的初始参数并随机初始化种群，完成初始化配置；

B.调用干密度增量预测模型，迭代计算干密度增量，判断个体压实度是否满足压实度约束条件或者迭代次数是否达染色体个数，若不满足，则继续进行干密度增量计算，若满足条件，则保存压实度序列，再计算种群个体的适应度值并排序；

C.执行遗传算法选择、交叉、变异等迭代优化过程，并输出最终结果。

2.如权利要求1所述的一种高铁填料振动压实的参数优化方法，其特征在于：所述步骤(1)中的双曲线模型的公式为：式中，ρd为当前状态密度；ρmax为当前工况下压实稳定状态干密度值；ρ0为初始状态干密度值；n为振动次数；a、b为模型参数。

3.如权利要求1所述的一种高铁填料振动压实的参数优化方法，其特征在于：所述干密度增量预测模型构建模型输入和输出之间的非线性函数关系，函数表示如下：Δρdi＝f(Aoi,fi,ρdi‑1)

式中，f为映射关系，A0i、fi分别为当前时刻的振幅和频率，pdi为前一时刻的干密度，Δpdi为当前时刻的干密度增量。

4.如权利要求1所述的一种高铁填料振动压实的参数优化方法，其特征在于：对数据进行预处理采用数据的归一化方法，其公式如下：

xscaled＝xstd*(max‑min)+min

式中，x为要归一化的数据，xmin(axis＝0)为每列中的最小值组成的行向量，xmax(axis＝0)为每列中的最大值组成的行向量，max为要映射到的区间最大值，默认是1，min为要映射到的区间最小值，默认是0，xstd为标准化结果，xscaled为归一化结果。

5.如权利要求1所述的一种高铁填料振动压实的参数优化方法，其特征在于：所述BP神经网络为优化的BP神经网络，所述优化的BP神经网络为传统的BP神经网络通过引入学习率改进器AdamOptimizer优化算法优化所得；

所述AdamOptimizer改进算法为常规优化算法利用梯度的一阶矩估计和二阶矩估计动态调整每个参数学习率的改进算法，AdamOptimizer改进算法的改进公式为：式中，lr0为初始学习率，lrt为t时刻的学习率， 为一阶矩估计的指数衰减率， 为二阶矩估计的指数衰减率。

6.如权利要求1所述的一种高铁填料振动压实的参数优化方法，其特征在于：计算种群个体的适应度值采用压实总能量函数进行计算，其公式如下：式中fitness为适应度函数，n为整个压实过程所需的振动次数，fi为第i‑1状态的干密度值，A0i为第i状态所选择的振动参数，Ei为第i状态的振动压实能量，W为静载，Mp为偏心距。

7.一种高铁填料振动压实的参数优化系统，其特征在于，包括数据输入端、后台运算处理端和数据展示端，所述后台运算处理端为采用权利要求1‑6中任意一条权利要求所述的一种高铁填料振动压实的参数优化方法进行运算处理的运算处理端。