1.一种多功能雷达辐射源智能识别方法，其特征在于，包括以下步骤：S1、通过侦察系统获取具有N种工作模式的目标雷达脉冲信号序列，经脉冲分选、预处理和雷达字匹配后得到雷达字序列，将一定数目的雷达字划分为一组作为多功能雷达的一个工作状态，并将雷达状态符号化和数值化，以1至N的整数表示当前所处状态，以‑1至1之间的随机小数代表系统误差，两者相加后得到多功能雷达侦察时间内的状态序列；

S2、对多功能雷达辐射源的行为模式提取，以多功能雷达工作时不同状态间切换的规律来表征辐射源个体的行为模式；假设雷达的工作状态空间为S＝{s1,s2,...,st‑1,st}，st代表t时刻雷达所处的工作状态，行为模式作为雷达工作状态切换规律的表现，采用状态概率转移矩阵A表示，其中，矩阵内元素aij为雷达从状态si切换至状态sj的概率，si,sj∈S；

S3、基于提取的行为模式对多功能雷达进行下一时刻的状态预测，通过多步预测实现状态序列的扩充，得到状态扩充序列；

S4、将状态扩充序列作为样本数据输入深度神经网络进行训练，实现多功能雷达辐射源的识别。

2.根据权利要求1所述的一种多功能雷达辐射源智能识别方法，其特征在于，所述步骤S2中，对多功能雷达辐射源的行为模式提取，包括以下步骤：S21、采用改进的D‑S信度马尔科夫模型对多功能雷达状态序列建模，结合D‑S证据理论Θ

将具有N种工作模式的目标雷达状态集Θ映射至幂集2 上，Modei表示雷达的第i种工作模式：

Θ＝{Mode1,Mode2,...,ModeN}假设只出现误判至相邻工作模式的情况，根据多功能雷达任务调度的切换准则和实际可发生的转移关系，构建包含N种单一焦元集和N‑1种复合焦元集的新识别框架U，共划分为

2N‑1种状态区间：

U＝{{Mode1},{Mode1,Mode2}，{Mode2},{Mode2,Mode3},{Mode3},...,{ModeN‑1}，{ModeN‑1,ModeN}{ModeN}}S22、假设雷达观测状态值序列为X(x1,x2,...,xn)，n为观测时刻，建立时刻t所对应的信度指派函数向量mt＝{μt(1),μt(2),…,μt(i),…,μt(2N‑1)}，其中μt(i)为t时刻状态i的分配概率，1≤i≤2N‑1且i∈U，将雷达状态值从离散转为连续状态值，得到t个时刻的基本概率分配矩阵M：

S23、通过t个时刻的基本概率分配矩阵M，利用以下计算公式：计算得到该段时间内目标雷达在识别框架U下相应的状态转移概率矩阵P：其中，矩阵元素pi,j代表雷达从工作状态i转移到状态j的概率。

3.根据权利要求2所述的一种多功能雷达辐射源智能识别方法，其特征在于，所述步骤S3中，多步预测，包括以下步骤：

2

S31、对于原始状态序列X(x1,x2,...,xn)确定扩充步长，当状态序列长度为n＝m时扩充2

至n′＝(m+1) ，若n开方后得到非整数，则m向上取整；

S32、基于步骤S2中提取的行为模式Pn预测得到下一时刻各状态概率值向量，Pn表示对长度为n的状态序列提取得到的行为模式，p为各工作状态的概率：p＝mn·Pn＝{p1,p1,2,p2,...,pN‑1,N,pN}通过概率分配算法将复合焦元集信度分配至单一焦元集上，得到：p′＝{p′1,p′2,…,p′N‑1,p′N}最大概率值所对应的状态为下一时刻雷达最有可能处于的工作模式x′n+1，将该状态接至原始序列后，得到新的状态序列X′n+1(x1,x2,...,xn,x′n+1)；

S33、对新的状态序列x′n+1进行行为模式提取得到Pn+1；重复步骤S32，通过mn+1·Pn+1进行未来状态预测得到x′n+2，接至序列x′n+1后得到X′n+2(x1,x2,...,xn,x′n+1,x′n+2)，依次类推，直至样本序列长度扩充到n′，则该最新状态序列可表示为：X′n′(x1,x2,...,xn,x′n+1,x′n+2,...,x′n′),n′≥n。

4.根据权利要求3所述的一种多功能雷达辐射源智能识别方法，其特征在于，所述步骤S4，包括以下步骤：

S41、将步骤S3中得到的状态扩充序列保存为尺寸为(m+1,m+1)的图像，进行灰度化、归一化的数据预处理，得到多功能雷达辐射源个体的一个训练样本；

S42、构建深度神经网络，设置深度神经网络的网络参数；

S43、对多个辐射源进行数据采集，将训练样本输入设计的网络进行训练，实现多功能雷达辐射源的有效识别。

5.根据权利要求4所述的一种多功能雷达辐射源智能识别方法，其特征在于，所述深度神经网络为卷积神经网络CNN或循环神经网络RNN。

6.根据权利要求4所述的一种多功能雷达辐射源智能识别方法，其特征在于，所述深度神经网络的网络参数包括卷积核大小、网络深度、神经元数目、训练迭代次数。