1.一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，包括以下步骤：
步骤1，根据kvfd的松弛、蠕变、加载-卸载三种加载方式的解的情况，分别建立对应的k叉树字典，所述k叉树字典的每个节点包括预设数量的值；其中，所述预设数量的值中的前n个值为按预设定时间步长对曲线采样获得的n个点，所述预设数量的值中的后6个值为[e0,α,τ,r,v,tr]，[e0,α,τ]为kvfd模型待拟合的3个变量，r,v,tr为3个常数；
步骤2，获取待测曲线，根据待测曲线点tr处的值与待测曲线的凹凸性，判断待测曲线所属的具体类型；在待测曲线具体类型对应的k叉树字典中进行全局搜索，得到与待测曲线rmse最小的k叉树字典中的曲线所对应的节点，获取k叉树字典中的曲线的参数[e0,α,τ]；
步骤3，将步骤2获得的参数[e0,α,τ]表示为向量，并放缩至一个参数区间；在所得的参数区间内，按照待测曲线所对应的kvfd模型生成预设数量的曲线，加入随机的高斯噪声，记录每条曲线所对应的参数，划分为训练集与测试集传入机器学习模型进行训练，选出rmse最小的模型作为训练的最终模型；
步骤4，使用步骤3获得的最终模型对待测曲线进行参数估计；将参数估计获得的结果通过q-learning算法进一步学习，获得优化结果。
2.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤1中，建立对应的k叉树字典时，度量节点差异性的公式为：
式中，m为曲线的点数，i代表第i个点，node1i、node2i分别为待衡量差异性的两条曲线的纵坐标值。
3.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤2具体步骤包括：
步骤2.1，获取待测曲线之后，进行降采样操作，按预设时间步长对曲线采样n个点；
步骤2.2，将步骤2.1处理所得曲线根据曲线在tr附近的凹凸性判断曲线所属的具体类型；
步骤2.3，基于步骤2.2获得的曲线的具体类型，在对应的k叉树字典中进行搜索，得到与曲线rmse最小的曲线；将rmse最小的曲线对应的节点取出，将取出节点中的参数[e0,α,τ]作为初筛获得的参数。
4.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤1中，n为300。
5.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤3中，所述机器学习模型包括6个经典机器学习模型。
6.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤3具体包括：
将步骤2获得的参数[e0,α,τ]表示为向量x，并放缩至参数区间[0.1x,2x]；
在参数区间中利用相对应的解的情况，随机均匀地生成多条曲线，按预设比例划分为训练集与验证集；
将训练集和验证集并行送入6个经典机器学习模型中进行训练，选出rmse最小的模型作为机器学习训练的最终模型。
7.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤4中，q-learning中对tr前后的曲线做不同权重的适应性函数；其中，适应性函数的确定包括：
式中，m1为tr之前的曲线的点的数量，m2为tr之后的曲线的点的数量，yi为预测值，y’i为真值，k表示权重系数。
8.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，步骤3中，划分为训练集与测试集传入机器学习模型进行训练时，采用并行训练。
9.根据权利要求1所述的一种软物质黏弹性力学表征的分数阶kvfd多参量机器学习优化方法，其特征在于，所述优化方法用于纳米压痕仪和原子力显微镜。