1.一种基于人工智能与大数据的军事训练系统，其特征在于，包括：
数据库模块，用于存储初始区域内所有建筑的建筑名称、所有道路的道路名称和区域中心的经纬度；
数据采集模块，用于采集初始区域的三维地理数据；
训练建模模块，用于将初始区域的三维地理数据转换为三维模型；
路径规划模块，用于规划无人机从初始坐标飞行至初始区域的飞行路径，并将无人机模型的飞行路径；
数据库模块，还用于存储无人机模型的允许飞行数据；
模拟训练模块，用于对无人机模型进行模拟训练，得到无人机模型的模拟飞行数据；
障碍感知模块，用于在无人机飞行的过程中对飞行路径内的障碍进行识别并躲避，生成路径更新指令或得到障碍坐标；
路径规划模块，用于依据路径更新指令和障碍坐标对无人机的飞行路径进行更新；
数据采集模块，还用于采集初始区域的实时风速和实时温度；
真实训练模块，用于对无人机的载重进行调整，生成模拟训练指令；
数据采集模块，还用于采集待投放区域内的第一检测目标和第二检测目标；
目标识别模块，用于无人机自动识别待投放区域内的识别目标，得到物资投放指令；
物资投放模块，用于将物资投放至第一检测目标中心或目标投放区域边缘。
2.根据权利要求1所述的一种基于人工智能与大数据的军事训练系统，其特征在于，初始区域为以初始区域的区域中心为圆点和第一长度为半径所构成的圆形区域；
初始区域的三维地理数据包括初始区域内的道路宽度、建筑高度、建筑占地面积和建筑外部结构。
3.根据权利要求2所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述训练建模模块的工作过程具体如下：
将初始区域内区域中心的经纬度作为三维直角坐标系的原点O，以正东方向作为X轴正方向，以正北方向作为Y轴正方向，以垂直于地面的方向作为Z轴正方向，建立三维直角坐标系OXYZ；
对初始区域的三维地理数据进行预处理，而后将预处理完成的三维地理数据转换为三维网格数据；
预处理步骤具体为：将初始区域的三维地理数据进行去噪处理，并将去噪的三维地理数据中的空白值进行填补；将预处理完成的三维地理数据进行网格化，得到初始区域的三维网格数据；
将初始区域的三维网格数据在三维直角坐标系中逐一构建，而后将初始区域内所有建筑的建筑名称与三维直角坐标系内的建筑进行匹配，同时将所有道路的道路名称与三维直角坐标系内的道路进行匹配，构建得到初始区域的三维模型。
4.根据权利要求3所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述路径规划模块的规划过程具体如下：
在初始区域的三维模型中构建无人机模型，获取无人机模型在三维直角坐标系内的初始坐标，同时设定无人机模型的目标坐标；
其中，无人机模型的初始坐标属于初始区域；
构建无人机模型的飞行路径；
设置无人机模型的载重量为零，而后向无人机模型发送飞行指令，无人机模型依据飞行路径进行飞行；
其中，飞行指令为命令无人机模型从初始坐标沿飞行路径飞行至目标坐标，在目标坐标停留预设时长后沿飞行路径自动返航。
5.根据权利要求1所述的一种基于人工智能与大数据的军事训练系统，其特征在于，允许飞行数据包括无人机模型的最大允许起飞温度、最小允许起飞温度、标准允许起飞风速、最大允许起飞风速和最小允许起飞风速，以最小允许起飞温度为左端点，以最大允许起飞温度为右端点，从而得到无人机模型的标准允许起飞温度区间，同理，可得到标准允许起飞风速区间。
6.根据权利要求5所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述模拟训练模块的训练过程如下：
步骤S1，将无人机模型的载重量设置为零，在标准允许起飞温度区间和风速为零的情况下对无人机模型进行第一测试，获取无人机模型返航时的剩余电量，若无人机模型返航时的剩余电量小于电量阈值或无法返航，则停止测试，并判定无人机模型训练失败；若无人机模型返航时的剩余电量大于等于电量阈值，则以固定载重量向上增加，直至无人机模型返航时的剩余电量为零，并将对应的载重量记为理想最大载重量；其中，取标准允许起飞温度区间的中间值进行第一测试；
步骤S2，获取无人机模型的最大允许起飞温度、最小允许起飞温度、标准允许起飞风速、最大允许起飞风速和最小允许起飞风速，将初始区域的三维模型对应温度设置为最小允许起飞温度，将初始区域的三维模型对应风速设置为最小允许起飞风速，无人机模型的载重量设置为零，对无人机模型进行第二测试；
步骤S3，若无人机模型返航时的剩余电量小于电量阈值或无法返航，则停止测试，并判定无人机模型训练失败。
7.根据权利要求6所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述模拟训练模块的训练过程还包括：
步骤S4，若无人机模型返航时的剩余电量大于等于电量阈值，则设置初始区域的三维模型对应温度和风速不变，并以固定载重量向上增加无人机模型的载重量直至达到理想最大载重量，当测试得到无人机模型返航时的剩余电量小于电量阈值或无法返航，则将对应载重量记为无人机模型的最大载重量；
在得到无人机在当前温度和风速的最大载重量后，以风速为变量，温度为定量，测试无人机模型在固定温度和不同风速下的最大载重量；
同理，再以温度为变量，风速为定量，测试无人机模型在不同温度和固定风速下的最大载重量；
如此操作，得到无人机模型在不同风速和不同温度下的最大载重量；
步骤S5，将无人机模型的理想最大载重量、以及无人机模型在不同风速和不同温度下的最大载重量作为无人机模型的模拟飞行数据。
8.根据权利要求1所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述障碍感知模块的工作过程具体如下：
构建无人机的障碍感知区域，具体为：
以无人机的几何中心作为圆心，以无人机内感知传感器的极限感知长度作为半径，将构建得到的球形区域作为无人机的障碍感知区域；
设置无人机的载重量为零，向无人机发送飞行指令，当无人机沿飞行路径飞行时障碍感知区域发出报警，无人机停止飞行，并通过障碍感知区域绘制障碍模型；
若障碍模型为无人机无法通过的障碍，则无人机立即返航，并生成路径更新指令；
若障碍模型为无人机可通过的障碍，则无人机记录障碍模型对应障碍坐标。
9.根据权利要求7所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述真实训练模块的工作过程为；
获取无人机模型的模拟飞行数据，基于初始区域的实时风速和实时温度为无人机配置载重量；
以无人机模型的模拟飞行数据中固定百分比的载重量作为无人机的初始载重量，获取无人机以初始载重量沿飞行路径返航后的剩余电量；
若无人机的剩余电量大于零，判定无人机模型的模拟飞行数据准确，并继续进行训练；
若无人机的剩余电量等于零或无法返航，判定无人机模型的模拟飞行数据不准确，生成优化模拟训练指令；
以固定载重量向上增加，记录无人机返航时剩余电量为零时对应的实际载重量，与当前风速和温度对应的最大载重量进行比较，若实际载重量大于等于最大载重量，判定无人机模型的模拟飞行数据准确，将无人机模型的模拟飞行数据保存至数据库；若实际载重量小于最大载重量，判定无人机模型的模拟飞行数据不准确，生成优化模拟训练指令。
10.根据权利要求1所述的一种基于人工智能与大数据的军事训练系统，其特征在于，所述目标识别模块的工作过程具体如下：
以初始区域的区域中心为圆点，第二长度为半径，构建待投放区域；
当无人机沿飞行路径到达待投放区域边缘时，启动目标识别；
当无人机通过目标识别检测到第一检测目标时，无人机飞行至第一检测目标中心的正上方，并生成物资投放指令；
其中，第一检测目标为待投放区域内地面上的特殊图案或特殊形状物体，特殊图案或特殊物体为事先输入至无人机的图像识别模型进行训练的图案或物体，无人机在本地即可进行图像识别；
当无人机通过目标识别未检测到第一检测目标时，开始检测第二检测目标，若检测到第二检测目标，则以第二检测目标为圆心，第三长度为半径构建目标投放区域，同时无人机获取目标投放区域的投放区域边缘，并飞行至投放区域边缘正上方，生成物资投放指令；
若未检测到第二检测目标，无人机立即返航；
具体的，第二检测目标为待投放区域内身穿特殊颜色的人员或有特殊颜色的物体，无人机通过捕捉待投放区域内的特殊颜色，与本地预设颜色进行比对；
若本地预设颜色与特殊颜色相同，则判定带有特殊颜色的人员或有特殊颜色的物体为第二检测目标；
若本地预设颜色与特殊颜色不相同，则不进行任何操作；
其中，第一长度大于第二长度，第二长度大于第三长度，第三长度大于零。