1.一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述方法包括以下步骤：S1、对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；

S2、构建UNet‑LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet‑LSTM复合神经网络模型进行训练；

S3、将模拟脉冲数据输入训练好的UNet‑LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。

2.根据权利要求1所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述对阶跃脉冲数据进行数字化处理，包括：通过随机数发生器输出一个堆积上升的阶跃脉冲信号。

3.根据权利要求2所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，生成0 1区间内服从均匀分布的随机数，将所述随机数作为阶跃脉冲信号的脉冲高度。

~

4.根据权利要求2所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述添加噪声包括：生成0 0.05区间内服从均匀分布的随机数，将所述随机数作为噪声信号的幅度，得到~随机噪声；

将随机噪声添加到所述阶跃脉冲信号中。

5.根据权利要求4所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述整形包括：将添加了随机噪声的阶跃脉冲信号输入脉冲整形滤波器滤除直流成分，得到幅度在0~

1之间的负指数脉冲序列。

6.根据权利要求1所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述UNet‑LSTM复合神经网络模型中UNet采用编码器和解码器的对称结构，其中，在编码器部分通过卷积提取信号特征，通过最大池化进行下采样；编码器的输出作为LSTM模型的输入，利用LSTM隐藏层学习脉冲序列信息的抽象特征；解码器部分对LSTM模型输出的信号依次进行转置卷积、上采样和卷积。

7.根据权利要求6所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述编码器和解码器均包含8个3*3的卷积层；所述池化大小为2*2，步长为2；转置卷积大小为2*2。

8.根据权利要求1所述的一种基于复合神经网络模型的脉冲高度估计方法，其特征在于，所述步骤S1中生成不同畸变率的噪声脉冲序列，所述畸变率指的是在一个脉冲序列中宽度不完整的脉冲数量占该序列脉冲总数的比例。

9.一种基于复合神经网络模型的脉冲高度估计系统，其特征在于，所述系统包括：模拟脉冲数据集制作模块，配置为对阶跃脉冲数据进行数字化处理并添加噪声，整形后得到数字化的负指数脉冲序列，形成模拟脉冲数据集；

复合神经网络模型构建模块，用于构建UNet‑LSTM复合神经网络模型，通过所述模拟脉冲数据集对所述UNet‑LSTM复合神经网络模型进行训练；

脉冲高度估计模块，配置为将模拟脉冲数据输入训练好的UNet‑LSTM复合神经网络模型中，模型输出与模拟脉冲数据对应的脉冲高度序列。

10.一种终端，包括存储器和处理器，存储器上存储有可在处理器上运行的计算机指令，其特征在于，处理器运行计算机指令时执行权利要求1‑8中任意一项所述一种基于复合神经网络模型的脉冲高度估计方法中相关步骤。