1.基于热红外波谱特征和bp神经网络模型的石榴子石亚类的识别方法，其特征在于，所述识别方法包括如下步骤：
获取已知亚类类型的石榴子石样本的热红外波谱特征数据；
利用热红外波谱特征数据和石榴子石样本的亚类类型构建基于热红外波谱特征识别石榴子石亚类的bp神经网络模型；
获得待测石榴子石样本的热红外波谱特征数据，输入构建的bp神经网络模型，识别出待测石榴子石样本的亚类类型。
2.根据权利要求1所述的识别方法，其特征在于，所述红外波谱特征数据是所述石榴子石样本在9-13μm谱段的反射峰的波长，包括第一反射峰波长、第二反射峰波长、第三反射峰波长以及第三反射峰与第二反射峰的波长差，第三反射峰波长大于第二反射峰波长大于第一反射峰波长；所述石榴子石样本的亚类类型包括钙铬榴石、锰铝榴石、铁铝榴石、镁铝榴石、钙铁榴石和钙铝榴石。
3.基于热红外波谱特征识别石榴子石亚类的bp神经网络模型的构建方法，其特征在于，所述bp神经网络模型包括输入层、隐含层和输出层；所述构建方法包括如下步骤：
将已知石榴子石亚类类型和热红外波谱特征数据的石榴子石样本分为训练样本和验证样本，利用训练样本对bp神经网络模型进行训练和利用验证样本对bp神经网络模型的精度进行验证，得到基于热红外波谱特征识别石榴子石亚类的bp神经网络模型；
其中，所述利用训练样本对bp神经网络模型进行训练包括如下步骤：
将训练样本的热红外波谱特征数据作为输入层的神经元和训练样本的石榴子石亚类类型作为输出层的神经元输入到bp神经网络模型中；
对bp神经网络模型的参数进行初始化；
正向传播并计算输出层的输出值，利用激活函数增加bp神经网络模型的非线性；
若未达到终止条件则计算输出层的输出值与期望输出值的误差转为误差反向反馈；
利用优化方法修正权值进行误差反向反馈，达到终止条件则终止训练；
采用输出层函数对输出值进行处理。
4.根据权利要求3所述的构建方法，其特征在于，所述红外波谱特征数据是所述石榴子石样本在9-13μm谱段的反射峰的波长，包括第一反射峰波长、第二反射峰波长、第三反射峰波长以及第三反射峰与第二反射峰的波长差，第三反射峰波长大于第二反射峰波长大于第一反射峰波长；
所述石榴子石亚类类型为钙铬榴石、锰铝榴石、铁铝榴石、镁铝榴石、钙铁榴石和钙铝榴石。
5.根据权利要求3所述的构建方法，其特征在于，所述对bp神经网络模型的参数进行初始化包括设置隐含层的层数、隐含层的神经元数、激活函数、优化方法、终止条件和输出层函数。
6.根据权利要求3所述的构建方法，其特征在于，初始化bp神经网络模型的参数包括设置优化方法为l-bfgs算法。
7.根据权利要求3所述的构建方法，其特征在于，初始化bp神经网络模型的参数包括设置激活函数为relu函数。
8.根据权利要求3所述的构建方法，其特征在于，初始化bp神经网络模型的参数包括设置输出层函数为softmax函数。
9.根据权利要求3所述的构建方法，其特征在于，初始化bp神经网络模型的参数包括设置隐含层的层数为1；
优选的，初始化bp神经网络模型的参数包括设置隐含层的神经元数为10。
10.一种石榴子石亚类的识别方法，其特征在于，所述识别方法包括如下步骤：
获取待测石榴子石的热红外波谱特征数据，所述特征数据是所述待测石榴子石在9-13μm谱段的反射峰的波长，包括第一反射峰波长、第二反射峰波长、第三反射峰波长以及第三反射峰与第二反射峰的波长差，第三反射峰波长大于第二反射峰波长大于第一反射峰波长，
将所述特征数据输入基于热红外波谱特征识别石榴子石亚类的bp神经网络模型，识别出待测石榴子石的亚类类型，
其中，所述基于热红外波谱特征识别石榴子石亚类的bp神经网络模型根据权利要求3所述的方法构建。