1.一种面向无线电信号识别对抗攻击的防御方法，包括以下步骤：

(1)对采集的无线电信号进行预处理，获得测试样本；

(2)利用基于长短时记忆网络构建的第一无线电信号识别模型对测试样本进行识别，获得第一识别结果；

(3)利用基于卷积神经网络构建的第二无线电信号识别模型对测试样本进行识别，获得第二识别结果；

(4)利用基于图卷积神经网络构建的第三无线电信号识别模型对测试样本进行识别，获得第三识别结果；

其中，基于图卷积神经网络构建的第三无线电信号识别模型包括：将预处理后的样本集映射到网络空间，获得网络图，并提取网络图中的特征向量；利用提取的特征向量训练图卷积神经网络，图卷积神经网络进行节点分类的计算如下：Z＝f(X,A)＝softmax(AReLU(0) (1) (0) (1)(AXW )W )，其中，W 是权重矩阵，对输入的特征向量X做线性变换，W 是另外一个权重矩阵，是对第一层变换后的节点再做一次变换，变换结果经过softmax激活函数后输出作为节点的分类结果；训练完成后，得到基于图卷积神经网络的第三无线电信号识别模型；

其中，将预处理后的样本集映射到网络空间包括：

采用LPVG将样本数据转换成网络图，包括I通道和Q通道，LPVG的可视化准则如下：Y＝{yi}i＝1,2.....n为一个具有n个数据的时间序列，N为有限穿越视距，如果在离散时间序列中相隔m个数据的两个点(ta,ya)和(tb,yb)相互可视，那么这两个点之间存在K：0≤K≤N个数据点(ti,yi)，其中ta≤ti≤tb满足：yi＜ya+(ya‑yb)(ta‑ti)/(tb‑ta)

其余m‑K个点(tj,yj)，其中ta≤tj≤tb满足：

yj＞ya+(ya‑yb)(ta‑ti)/(tb‑ta)；

(5)利用softmax分类器集成所述第一识别结果、第二识别结果以及第三识别结果，获得无线电信号调制类型的最终识别结果。

2.如权利要求1所述的面向无线电信号识别对抗攻击的防御方法，其特征在于，所述基于长短时记忆网络构建的第一无线电信号识别模型包括：采用训练集对长短时记忆网络进行训练，其中输入数据为512*2的信号样本，长短时记忆网络第一层包含128个节点，第二层包含32个节点，设置Dropout为0.8以防出现过拟合，再经过两层全连接层输出，最后的输出层包含k节点，对应k种不同信噪比类型的信号；

训练过程中，使用交叉熵损失函数作为模型训练优化的损失函数，使用adam优化器进行优化，交叉熵损失函数的计算公式如下：其中LossLSTM为长短时记忆网络中无线电信号分类损失函数，N为无线电信号样本数量，y为真实信号样本标签，y，为模型预测信号样本标签；

训练完成后，再用测试集与验证集对模型进行测试与验证，得到基于长短时记忆网络的第一无线电信号识别模型。

3.如权利要求1所述的面向无线电信号识别对抗攻击的防御方法，其特征在于，所述基于卷积神经网络构建的第二无线电信号识别模型包括：将预处理后的无线电信号数据集进行处理，将数据集中的同相分量I通道和正交分量Q通道采样点数据分别读取后拼接为一条新数据集，将新数据集保存为npy格式，将其作为卷积神经网络的输入；

使用新数据集，即时域I/Q采样数据作为训练集，使用两层卷积层和两层全连接层处理，输出为无线电信号的调制方式类别；

训练时，使用交叉熵损失函数作为模型训练优化的损失函数，使用Adam作为优化器进行优化，交叉熵损失函数的计算公式如下：其中LossCNN为卷积神经网络中无线电信号分类损失函数，N为无线电信号样本数量，y为真实信号样本标签，y，为模型预测信号样本标签；

训练完成后，得到基于卷积神经网络的第二无线电信号识别模型。

4.如权利要求1所述的面向无线电信号识别对抗攻击的防御方法，其特征在于，所述提取网络图中的特征向量包括：采用graph2vec提取网络图中的特征向量，保存作为图卷积神经网络的训练集。

5.如权利要求1～4任一项所述的面向无线电信号识别对抗攻击的防御方法，其特征在于，在训练完第一无线电信号识别模型、第二无线电信号识别模型、第三无线电信号识别模型后，利用生成的对抗样本对三个无线电信号识别模型进行验证，以验证对对抗样本的防御效果；

采用FGSM攻击方式对无线电信号进行攻击生成对抗样本。