本申请涉及雷达探测，尤其涉及一种雷达信号分选方法、装置、终端及存储介质。
背景技术：
1、雷达对抗作为电子对抗领域中重要的一部分，是现代信息化战争的重要环节。现代复杂的电磁环境，使得雷达对抗变得越发激烈。雷达有源干扰被广泛应用于雷达对抗领域，其中，基于数字射频存储器技术的雷达干扰系统发展迅猛，这对雷达抗干扰技术提出了更高的要求，只有进一步提升对雷达干扰信号的有效识别，才能有效提升雷达的性能。
2、目前，对于雷达干扰信号识别通常采用两种手段，一种是人工识别，但是该手段计算量大，人工成本大，雷达信号识别准确率低；另一种基于深度机器学习算法进行识别，但是该手段仅能识别单一信号来源，且由于获取的数据不够全面，造成雷达信号识别准确也不高。
技术实现思路
1、本申请提供了一种雷达信号分选方法、装置、终端及存储介质，以解决现有技术对雷达干扰信号的识别和分选准确率不高的问题。
2、第一方面，本申请提供了一种雷达信号分选方法，包括：
3、获取目标装备的雷达数据；所述目标装备为同一类型的装备；
4、将所述雷达数据输入智能信号分选模型，输出所述雷达数据包含的数据类别；其中，所述智能信号分选模型基于面向多源电磁干扰环境的所有类型装备的多组雷达数据、面向所述多源电磁干扰环境的与所述目标装备为同一类型的所有装备的多组雷达数据和双重注意力网络训练得到；每组雷达数据以数据类别为分类标准获得；
5、根据所述雷达数据包含的数据类别，确定所述目标装备受到的干扰信号的数据类别。
6、第二方面，本申请提供了一种雷达信号分选装置，包括：
7、数据获取模块，用于获取目标装备的雷达数据；所述目标装备为同一类型的装备；
8、类别输出模块，用于将所述雷达数据输入智能信号分选模型，输出所述雷达数据包含的数据类别；其中，所述智能信号分选模型基于面向多源电磁干扰环境的所有类型装备的多组雷达数据、面向所述多源电磁干扰环境的与所述目标装备为同一类型的所有装备的多组雷达数据和双重注意力网络训练得到；每组雷达数据以数据类别为分类标准获得；
9、判定模块，用于根据所述雷达数据包含的数据类别，确定所述目标装备受到的干扰信号的数据类别。
10、第三方面，本申请提供了一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
11、第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
12、本申请提供一种雷达信号分选方法、装置、终端及存储介质，通过获取目标装备的雷达数据；目标装备为同一类型的装备；将雷达数据输入智能信号分选模型，输出雷达数据包含的数据类别；其中，智能信号分选模型基于面向多源电磁干扰环境的所有类型装备的多组雷达数据、面向多源电磁干扰环境的与目标装备为同一类型的所有装备的多组雷达数据和双重注意力网络训练得到；每组雷达数据以数据类别为分类标准获得；根据雷达数据包含的数据类别，确定目标装备受到的干扰信号的数据类别。本申请通过基于双重注意力网络训练的智能信号分选模型，输出雷达数据中的数据类别，基于数据类别的判定，可以有效地提高雷达数据识别和分选的准确率。
1.一种雷达信号分选方法，其特征在于，包括：
2.根据权利要求1所述的雷达信号分选方法，其特征在于，在所述获取目标装备的雷达数据之前，所述方法还包括：
3.根据权利要求2所述的雷达信号分选方法，其特征在于，所述利用所述第一多源数据集训练初始模型，包括：
4.根据权利要求1所述的雷达信号分选方法，其特征在于，在所述获取目标装备的雷达数据之前，所述方法还包括：
5.根据权利要求4所述的雷达信号分选方法，其特征在于，所述智能信号分选模型以flask框架或动态链接库方式进行编译。
6.根据权利要求4所述的雷达信号分选方法，其特征在于，在所述将所述智能信号分选模型部署于所述目标装备上之后，所述方法还包括：
7.根据权利要求2所述的雷达信号分选方法，其特征在于，所述雷达数据为不同类型装备的不同接收批次的回波数据，所述回波数据包括无目标的镜面反射回波数据、典型目标的回波数据和典型环境的回波数据；所述典型目标包括战斗机、无人机、坦克和导弹。
8.一种雷达信号分选装置，其特征在于，包括：
9.一种终端，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述雷达信号分选方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述雷达信号分选方法的步骤。
