1.一种基于多参数优化生成对抗网络的SAR目标识别方法，其特征在于，包括如下：(1)生成训练样本集和测试样本集：(1a)在合成孔径雷达SAR图像集的所有类别中,任意获取每类至少200个图像，组成初始训练样本集，用所有剩余样本，组成测试样本集；(1b)将初始训练样本集中的每张图像经过平移，旋转和翻转进行数据扩充，得到扩充训练样本集，由初始训练样本集和扩充训练样本集共同组成最终的训练样本集；(2)设置生成对抗网络的结构和参数组数：在tensorflow软件中分别设置生成对抗网络中的生成器和判别器层数及每一层的卷积核个数，并根据需要的精度设置网络参数的组数，即设置生成器和判别器分别对应网络参数的组数；(3)对生成对抗网络进行训练：(3a)固定判别器的参数，随机生成一组噪声向量，将该噪声向量输入到生成器中得到一组生成的伪样本，再将伪样本输入到判别器中，通过最小化生成器的目标函数更新生成器的参数；(3b)固定生成器的参数，随机生成一组噪声向量，将该噪声向量输入到生成器中得到一组生成的伪样本，再将伪样本和训练数据集共同输入到判别器中，通过最大化判别器的目标函数更新判别器的参数；(3c)判断生成器和判别器的目标函数是否收敛：若目标函数没有收敛，则返回第(3a)步；若目标函数收敛，则停止网络训练，得到训练好的生成对抗网络；(4)用训练好的生成对抗网络识别目标型号：(4a)将测试样本集中的所有样本，分别输入到训练好的每组参数所对应的判别器中，得到每个判别器的输出向量y m ；(4b)对每个判别器的输出向量y m 进行相加再取平均，得到平均向量；该平均向量中值最大的一维所对应的目标型号类别即为测试样本的型号识别结果。
2.根据权利要求1所述的方法，其特征在于：(1b)中将初始训练样本集中的每张图像经过平移，旋转和翻转进行数据扩充，器其实现如下：(1b1)将初始训练样本集中的每张图片分别向上、向下、向左和向右移动30个像素点，得到4倍的平移扩充样本；(1b2)将初始训练样本集中的每张图片分别按照顺时针45°，90°，135°，180°，225°，270°和315°进行图像旋转，得到7倍的旋转扩充样本；(1b3)将初始训练样本集中的每张图片分别按照从左到右和从上到下进行图像翻转，得到2倍的翻转扩充样本。
3.根据权利要求1所述的方法，其特征在于：(2)中设置网络参数的组数，是将生成器的网络参数设置为N组，将判别器的网络参数设置为M组；生成器网络的精度与N成正比，判别器网络的精度与M成正比，N＞0，M＞0。
4.根据权利要求1所述的方法，其特征在于：(3a)中所述生成器的目标函数，表示如下：其中，G表示生成器网络，D表示判别器网络，z为噪声，p z (z)为z的先验分布，E(·)表示计算期望值，G(z)表示将噪声z输入生成器网络G后输出的伪样本，K为训练样本集的总类别数，K+1为伪样本对应的类别标号，p(y＝K+1|G(z),D)表示判别器网络D在输入为G(z)时，输出向量的第K+1维的值；对N组生成器网络参数，分别对应的生成器的目标函数如下：其中 表示生成器网络的参数，G n 表示由生成器网络参数 分别构成的生成器网络，D m 表示由M个判别器网络参数分别构成的判别器网络，n＝1,2,...,N，m＝1,2,...,M。
5.根据权利要求1所述的方法，其特征在于：(3b)中所述判别器的目标函数，表示如下：其中，G表示生成器网络，D表示判别器网络，x表示真实样本，y＝l表示真实样本的标签，l＝1,2,...,K，K为训练样本的总类别数，p data (x,y)表示样本与标签的联合分布，p(y＝l|x,D)表示将真实样本x输入判别器网络后，判别器网络输出的第l维的值，z为噪声，p z (z)为z的先验分布，E(·)表示计算期望值，G(z)表示将噪声z输入生成器网络G后输出的伪样本，K+1为伪样本对应的类别标号，p(y＝K+1|G(z),D)表示判别器网络D在输入为G(z)时，输出向量的第K+1维的值；对M组判别器网络参数，分别对应的判别器的目标函数如下：其中， 表示判别器网络的参数，G n 表示由N个生成器网络参数分别构成的生成器网络，D m 表示由判别器网络参数 分别构成的判别器网络，n＝1,2,...,N，m＝1,2,...,M。
6.根据权利要求1所述的方法，其特征在于：(4b)中得到的测试样本型号识别结果，表示如下：其中，y m 表示第m个判别器的输出向量，为K维向量，每一维代表该判别器将测试样本分类为该型号类别的概率大小； 为y m 相加取平均后得到的平均向量，m＝1,2,...,M，M为判别器参数组数，findmax(·)表示查找向量最大值对应第几维， 表示向量 最大值所在的维度，即测试样本的型号识别结果。
