1.一种γ辐射多层屏蔽累积因子计算方法，其特征在于，包括： 确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值； 以确定的所述影响累积因子的各种参数作为输入，以计算出的所述对应的累积因子值作为输出，构建深度神经网络； 对所述深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练； 将实际的影响累积因子的各种参数输入至训练好的所述深度神经网络，直接预测出对应的γ辐射多层累积因子。 2.根据权利要求1所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，所述影响累积因子的各种参数包括入射粒子能量，各层屏蔽材料密度，各层屏蔽自由程数，各层屏蔽散射截面，各层屏蔽光电效应截面，各层屏蔽电子对效应截面。 3.根据权利要求2所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值，具体包括： 根据确定的所述影响累积因子的各种参数的特征，建立多组不同的模型； 批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件； 根据产生的所述MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量； 通过所述考虑散射的剂量与所述未考虑散射的剂量的比值，计算出对应的累积因子值。 4.根据权利要求1所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，在构建深度神经网络的同时，还包括： 根据输入参数个数和输出参数的个数来确定所述深度神经网络的拓扑结构。 5.根据权利要求4所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，所述深度神经网络的隐含层采用双层神经元； 所述深度神经网络的节点传递函数包含relu函数和linear函数； 所述深度神经网络的训练函数包含SDG函数和momentum函数。 6.根据权利要求1所述的γ辐射多层屏蔽累积因子计算方法，其特征在于，所述设定需求包括验证集的平均相对误差小于设定的预测精度或达到设定的迭代次数。 7.一种γ辐射多层屏蔽累积因子计算装置，其特征在于，包括： 累积因子计算模块，用于确定影响累积因子的各种参数，产生多组不同屏蔽样本，并结合MCNP程序计算出对应的累积因子值； 深度神经网络构建模块，用于以确定的所述影响累积因子的各种参数作为输入，以计算出的所述对应的累积因子值作为输出，构建深度神经网络； 深度神经网络训练模块，用于对所述深度神经网络进行训练，通过不断调试学习参数，直至满足设定需求结束训练； 累积因子预测模块，用于将实际的影响累积因子的各种参数输入至训练好的所述深度神经网络，直接预测出对应的γ辐射多层累积因子。 8.根据权利要求7所述的γ辐射多层屏蔽累积因子计算装置，其特征在于，所述累积因子计算模块，具体包括： 模型建立单元，用于根据确定的所述影响累积因子的各种参数的特征，建立多组不同的模型； MCNP文件产生单元，用于批量产生不同粒子能量、不同屏蔽材料、不同屏蔽自由程数组合的MCNP输入文件； MCNP程序计算单元，用于根据产生的所述MCNP输入文件，调用MCNP程序进行计算，从计算结果中批量提取屏蔽后考虑散射的剂量和未考虑散射的剂量； 累积因子计算单元，用于通过所述考虑散射的剂量与所述未考虑散射的剂量的比值，计算出对应的累积因子值。 9.一种γ辐射多层屏蔽累积因子计算设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至6任一项所述的γ辐射多层屏蔽累积因子计算方法。 10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的γ辐射多层屏蔽累积因子计算方法。
