1.一种基于重要性网络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，对经过S1所提取数据集中的样本做预处理；

S3，对样本进行谱图特征提取；

S4，通过重要性网络对样本进行调整；

S5，搭建含有注意力机制的堆叠双向RNN训练模型；

S6，对由S1采集到的测试数据进行训练阶段的步骤S2、S3预处理操作；

S7，将经过S6处理的样本送入S4、S5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；

所述步骤S5进一步包括：

S501，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，其输出Foutput也是一个长度为N2的序列， 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；

S502，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aik表示对应于第i层第k个时间点所对应的权重，M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；

S503，将经过注意力机制的输出进行拼接操作，再后接一个节点数为雷达类别数的全连接层，即全连接层的输出为模型的预测结果，输出可表示为：output＝f(C(cATT)Wo)

其中C(·)为拼接操作， c2表示类别个数，f(·)表示softmax函数；

S504，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n2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；

S505，初始化上述模型中所有待训练的权重及偏置，设置训练参数，包括学习率、batch_size、训练批次，开启模型训练。

2.如权利要求1所述的基于重要性网络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，所述步骤S2进一步包括：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2所述的基于重要性网络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，所述步骤S3进一步包括：S301，计算时域信号的短时傅里叶变换来获得该信号的谱图特征，时间信号的短时傅里叶变换的变换公式表示为：其中，T表示时间，ω表示频率，x(·)表示被变换的时间信号，w(·)表示STFT变换的窗函数；

谱图特征是STFT变换的模平方，表示为：

2

Y(T，ω)＝|STFT(T，ω)|

S302，谱图特征的每一个时间点上所对应的频域特征是一段变换窗长内的连续距离单元时域信号的频谱，将HRRP样本切分为多个子序列，在这里每一段子序列长度相同，每个子序列进行傅里叶变换的点数也是相同的，选取窗函数对每个子序列进行处理，进行处理后的谱图特征 是一个矩阵，它的每一列包含一个短期局部时间的频率成分估计，时间沿列增加，频率按行增加。

4.如权利要求3所述的基于重要性网络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，所述步骤S4进一步包括：S401，重要性调整分为压缩特征和激发特征两部分；

S4 0 2 ，压 缩 特征 部 分 ：整 理 进入 重 要性 网 络的 谱 图 特征 维 度 为该特征是由N6个序列构成，每个序列为一个N6维的向量，其中M6对应的是谱图矩阵的时间维度，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，将xspecgram通过全连接，全连接的输出可由下式计算得到：xsq＝f(Wxspecgram+b)

其中激活函数f(·)为Sigmoid函数，

S403，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＝xspecgramΘxsq

其中xsq＝[xsq(1)，xsq(2)，…，xsq(M7)]，它是一个M7维向量，⊙表示将xspecgram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，特征FE中的第m个通道被调整为：

5.如权利要求1所述的基于重要性网络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，所述步骤S7进一步包括：第i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；

通过最大后验概率将测试HRRP样本xtest分类到最大目标概率的k0中：