1.一种基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，其特征在于，包括以下步骤：S1，采集数据集，将雷达采集到的HRRP数据集依据目标的种类进行合并，每种种类的样本分别在不同的数据段里选择训练样本和测试样本，在训练集和测试集的选取过程中，保证所选取的训练集样本与雷达所成姿态涵盖测试集样本与雷达所成的姿态，各类目标训练集和测试集样本数的比例为8∶2，将挑选的数据集记作 其中xi1表示第i1个样本，yk1表示样本属于第k1类，一共采集了c类目标，n1表示样本总数；

S2，对原始HRRP样本集进行预处理，由于HRRP的强度包括雷达发射功率、目标距离、雷达天线增益和雷达接收机增益因素共同决定，在利用HRRP进行目标识别前，通过l2强度归一化的方法对原始HRRP回波进行处理，从而改善HRRP的强度敏感性问题；HRRP是通过距离窗从雷达回波数据中截取的，在截取的过程中录取的距离像在距离波门中的位置不固定，从而导致了HRRP的平移敏感性，通过重心对齐法改善HRRP的平移敏感性问题；

S3，由于HRRP中各距离单元内回波的幅度相差较大，直接将数据送入卷积层中会导致模型过多关注于幅度较大的距离单元，幅度较小的距离单元中包含一些可分性很强的特征，有助于进行雷达目标识别，在切分HRRP之前先加入动态调整层对HRRP进行整体的动态范围调整，该调整层在各距离单元大小相对关系未发生改变的前提下通过模型训练以决定如何调整HRRP的整体动态，以达到更好的识别效果；

S4，选取固定长度的滑窗窗口对经过上述处理的HRRP样本进行切分，切分后的数据格式为后续深度神经网络的输入格式；

S5，搭建重要性调整网络对经过上述处理后的数据进行通道调整，重要性网络通过学习的方式来自动获取到每个特征通道的重要程度，然后依照重要程度去提升有用的特征并抑制对当前任务用处不大的特征；

S6，搭建深度神经分类，调参并进行优化，采用双向的循环神经网络，将HRRP数据分正反双向分别输入两个独立的RNN模型，并将得到的隐层进行拼接；

所述S6进一步包括：

S601，分类网络设计为多层堆叠的双向RNN，假设输入的是特征FRNN，其中Mi2表示第i2个双向RNN的各时间

点维数，N2表示输入序列长度，假设其输出为Foutput，

其中H是隐单元个数，

其中序列中第k个时间点所对应的向量表示为：

其中，f(·)表示激活函数， 表示对应于第i2个双向RNN中所包含的前向RNN的隐藏层输出矩阵， 表示第i2个双向RNN中所包含的前向RNN中所包含的第k2个隐藏层状态，同样地， 表示对应于第i2个双向RNN中所包含的后向RNN的隐藏层输出矩阵，表示第i2个双向RNN中所包含的后向RNN中所包含的第k2个隐藏层状态，bFi2表示第i2个双向RNN的输出层偏置；

S602，网络中的注意力机制，选取最后几层双向RNN在不同时刻得到的隐层状态进行拼接，第i层拼接后的隐层状态为：最后再将每一层拼接后隐层进行相加，即得到经过注意力模型处理后的隐层状态cATT为：其中αik表示对应于第i层第k个时间点所对应的权重，M1表示双向RNN模型中每层的前向RNN或后向RNN包含的隐状态的个数，即时间点维数，N1表示网络堆叠的层数，N0表示取从最后一层开始数，共取几层堆叠双向RNN内的隐状态用于求cATT，αi3k3的求法如下式所示：其中，ei3k3为第i3个双向RNN中前向和后向隐藏状态进行相加后的能量，表示为：ei3k3＝UATTtanh(WATThi3k3)

其中 它们是用于计算隐单元能量的参数，l是隐单元的

维数，M1是时间点维数；

S603，损失函数设计为交叉熵，通过使用训练数据计算损失函数相对于参数的梯度来学习参数，并在模型收敛时固定学习的参数，采用基于交叉熵的代价函数，表示为：其中，N3表示一个批次中训练样本的个数， 是one‑hot向量，用于表示第n个训练样本的真实标签，P(i3|xtrain)表示训练样本对应于第i3个目标的概率；

S7，对由S1采集到的测试数据进行训练阶段的步骤S2、S3、S4预处理操作；

S8，将经过S7处理的样本送入S6构建的模型中进行测试求得结果，即最后经过注意力机制的输出会通过softmax层进行分类，第i13个HRRP测试样本 对应于目标集中第k4类雷达目标的概率计算为：其中exp(·)表示取指数运算，c表示类别个数。

2.如权利要求1所述的基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，其特征在于，所述S2进一步包括如下步骤：S201，强度归一化，假设原始HRRP表示为xraw＝[x1，x2，…，xi，…，xL]，其中L表示HRRP内包含的距离单元总数，则强度归一化之后的HRRP表示为：S202，样本对齐，平移HRRP使其重心g移至L/2附近，这样HRRP中包含信息的那些距离单元将分布在中心附近，其中HRRP重心g的计算方法如下：其中， 为原始HRRP中第i4维信号单元。

3.如权利要求1所述的基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，其特征在于，所述S3进一步包括：对HRRP样本进行动态调整，即对样本进行多个幂次的处理，对数据进行幂次处理，是为了从多个角度反映出目标类别差异的多样性，从多个角度将雷达HRRP中所蕴含的信息以多种不同的形式体现出来，方便后续网络从多个角度提取特征进行识别，动态调整层的输出表示为：其中，M5是动态调整层的通道数，第i5个动态调整通道 表示为：

其中， 表示幂次变换的系数。

4.如权利要求3所述的基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，其特征在于，所述S4进一步包括：S401，对经过动态调整以后的HRRP样本进行滑窗切分，设定滑窗的长度为N4，滑动的距离为d，其中d＜N4，即切割后相邻两段信号有长度为N4‑d的重叠部分，重叠切分更大化的保留了HRRP样本中的序列特征，后续深度神经网络也能更大化的学习到样本中对分类更有用的特征，其中切割的份数对应的是后续深度神经网络输入格式中的时间点维数，滑窗的长度N4对应的则是其中每一个时间点的输入信号维数；

S402，滑窗切分后的输出表示为：

其中M6是经过切分后的序列个数，其中第t个切分序列为

其中，d为窗口滑动距离，N4为滑窗长度。

5.如权利要求4所述的基于注意力机制和双向堆叠循环神经网络的雷达目标识别方法，其特征在于，所述S5进一步包括：S501，重要性网络对切分后的HRRP进行重要性调整，通过学习卷积通道的全局信息来有选择地强调蕴含可分性信息较多的某些时间点的输入序列并抑制另外一些不太重要的时间点的输入序列，经过重要性网络调整后之后，模型变得更加平衡，使更重要、更有用的特征可以得到突显，提高了模型表征HRRP能力，重要性调整分为压缩特征和激发特征两部分；

S502，压缩特征部分：经过滑窗切分后的样本为

该特征由M6个序

列构成，每个序列为一个N6维的向量，其中的每一个序列都会经过全连接层和激活函数压缩为一个代表此序列重要程度的实数权重xsq，xslide通过全连接的输出由下式计算得到：xsq＝f(Wxslide+b)

其中激活函数f(·)为Sigmoid函数，

S503，特征激发部分：通过Excitation公式将提取到的特征进行选择性调整，得到经调整之后的特征FE：FE＝xslide⊙xsq

其中xsq＝[xsq(1)，xsq(2)，…，xsq(M7)]，它是一个M7维向量，⊙表示将Xslide各通道中的每一个元素都乘上xsq这个向量中对应维上的数，如特征FE中的第m个通道被调整为：