1.一种用于判定小型无人机目标个数的智能辨识方法，其特征在于，包括以下步骤：S1：将包含有多个阵元的阵列在色噪声环境的远场中任意放置，在预先设定无人机个数和采样快拍数下，采样经无人机反射过来的回波信号；S2：对各个通道接收信号的数据集进行通道校正，获得各通道校正后观测信号数据集；S3：各通道校正后观测信号数据集求协方差矩阵，再经酉变换计算得到盖尔圆矩阵；S4：通过盖尔圆矩阵确定用于集群无人机个数估计的盖尔圆圆心和盖尔圆半径，在二维直角坐标系下绘制盖尔圆图，并将二维盖尔圆图标记后送入分类神经网络；S5：改变预先设定的无人机个数，多次重复步骤S1～S4，生成一定数量的训练样本用于训练步骤S4中所述的分类神经网络，直至分类神经网络的准确率达到要求；步骤S4中所述通过盖尔圆矩阵确定用于集群无人机个数估计的盖尔圆圆心和盖尔圆半径，在二维直角坐标系下绘制盖尔圆图，并将二维盖尔圆图标记后送入分类神经网络，具体方法为：通过盖尔圆矩阵获得绘制盖尔圆图所需的圆心和半径：圆心矢量c＝diag(real(R r ))/sum(diag(real(R T )))，式中，c＝[c 1 ，c 2 ，...，c m ，...，c M ] T 为盖尔圆圆心矢量，c m 为第m个盖尔圆圆心，real(.)为括号内矩阵的所有元素取实部后构成的矩阵，diag(.)为取括号内的矩阵的对角线上的元素并构成一列向量；sum(.)表示对括号内的矩阵的所有元素求和；半径矢量r u ＝abs(R T(M) )/sum(abs(R T(I) ))，式中，r u ＝(r 1 ，...，r m ，...，r M )T盖尔圆半径矢量，r m 为第m个盖尔圆半径，R T(M) 为矩阵R T 的最后一列构成的列向量，abs(.)为括号内的矩阵中的每一个元素取复数幅值后构成的矩阵；在二维直角坐标系中，以c m ·cos(π/4)为圆心点横坐标，c m ·sin(π/4)为圆心点纵坐标，r m 为半径在二维直角坐标系下绘制盖尔圆图并标记后依次送入分类神经网络中。
2.根据权利要求1所述的用于判定小型无人机目标个数的智能辨识方法，其特征在于，步骤S1中所述的将包含有多个阵元的阵列在色噪声环境的远场中任意放置，在预先设定无人机个数和采样快拍数下，采样经无人机反射过来的回波信号，具体方法为：所述阵列包含M个阵元，间距为d，采样快拍数L，无人机个数为F，F个远场窄带信号入射到阵列上，其中F＝1，2，...，K，且K＜M，在阵列信号处理领域中将接收信号表示为：x(t)＝As(t)+n(t)，式中x(t)＝[x 1 (t)，x 2 (t)，...，x M (t)] T 为t时刻的接收信号矢量，s(t)＝[s 1 (t)，...，s k (t)] T 为t时刻信号源矢量，n(t)＝[n 1 (t)，...n M (t)] T 为t时刻色噪声矢量，a＝[α(Θ 1 )，...，α(Θ k )]为阵列流型矢量，Θ k ＝(φ k ，θ k )为第k个信号源的入射角，其中φ k 和θ k 分别为第k个信号源的方位角和俯仰角，且φ k ∈(0，2π)、θ k ∈(0，π/2)， 为第k个信号源的导向矢量，β m ＝2π(m-1)/M为逆时针第m个阵元与X轴的夹角， λ为载波波长。
3.根据权利要求1所述的用于判定小型无人机目标个数的智能辨识方法，其特征在于，步骤S2中所述的对各个通道接收信号的数据集进行通道校正，获得各通道观测信号数据集，具体方法为：提取通道校正系数：令校正信号数据集为J＝[a 1 +b 1 i，...，a M +b M i] T ，i为虚数单位，则通道校正系数矩阵为： 式中，T为通道校正系数矩阵；通道校正：设各通道接收信号的数据集为： 式中，Y表示各通道接收信号的数据集，c mn +e mn i为矩阵Y中第m行，第n列的元素，N为每一通道数据集的数据点最大个数，m＝1，2，…，M，n＝1，2，…N；则X＝Diag(T)·Y所示的矩阵为经通道校正后各通道观测信号数据集，式中，Diag(T)为以矩阵T中的元素为对角元素的对角矩阵。
4.根据权利要求1所述的用于判定小型无人机目标个数的智能辨识方法，其特征在于，步骤S3中所述各通道观测信号数据集求得协方差矩阵，再经酉变换计算得到盖尔圆矩阵，具体方法为：观测信号数据集的协方差矩阵为 其中，(.) H 为共轭转置，对R xx 作酉变换，得到盖尔圆矩阵，即： 上式中， U M-1 为R M-1 的特征向量构成的酉矩阵，R M-1 为R xx 去除最后一行最后一列后构成的子矩阵；盖尔圆的圆心和半径分别为c i ＝λ i ，r i ＝|ρ i |；信号盖尔圆半径远大于零，噪声盖尔圆半径则接近于零。
5.根据权利要求1所述的用于判定小型无人机目标个数的智能辨识方法，其特征在于，步骤S5中所述改变预先设定的无人机个数，多次重复步骤a-d，生成一定数量的训练样本用于训练步骤d中所述的分类神经网络，直至分类神经网络的准确率达到要求，具体方法为：目标无人机个数为F，依次设定F＝1，2，...，K，K为目标无人机个数最大值，且K＜M；重复步骤a-d，每设定一个无人机个数F采集H次经无人机反射过来的回波信号，取前G次采集的信号为训练集，则训练样本个数为Q＝K·G，其余为测试集，测试样本个数为W＝K·(H-G)；当无人机个数为F时，将对应的H个样本标记为F，神经网络目标输出为F；当将测试集送入神经网络中分类的准确率达到95％以上时停止训练，同种训练模式下，准确率最先达到95％以上的神经网络为最优网络。
6.根据权利要求1所述的用于判定小型无人机目标个数的智能辨识方法，其特征在于，分类神经网络包括全连接神经网络、卷积类神经网络、残差神经网络、自编码器神经网络、以及由上述四类网络组合构成的混合神经网络。
