1.一种基于GCN的雷达辐射源工作模式识别方法，其特征在于，包括：对雷达辐射源的各个工作模式进行仿真；提取各个仿真工作模式的特征参数，并形成特征矩阵；其中，所述特征参数包括脉重频、脉宽、占空比脉内调制方式、频率视数、回照、每个CPI上的脉冲数和带宽；将所述特征矩阵进行归一化处理；使用处理后的特征矩阵训练预设的图卷积神经网络GCN识别网络，得到雷达辐射源识别模型；其中，预设的GCN层识别网络包括多层GCN层，所述预设的GCN识别网络依次包括第一GCN层、ReLu激活层、Dropout层、第二GCN层；其中，相邻GCN层之间的传递关系为： ；其中， 为节点在第 层的特征， 为非线性变换， 为加入自循环的邻接矩阵， 为 对应的度矩阵， 为第 层的权重， 为第 层的截距；使用所述雷达辐射源识别模型识别处理后的待识别的雷达辐射源信号，得到雷达辐射源信号的工作模式；将所述雷达辐射源信号的工作模式进行降维可视化。
2.根据权利要求1所述的基于GCN的雷达辐射源工作模式识别方法，其特征在于，所述将所述特征矩阵进行归一化处理的过程包括：获取Row-Normalize归一化算法，并对所述特征矩阵进行处理，其表达式为： ；其中， 为归一化结果， 为第 个节点的第 个特征， 为特征矩阵， 为特征参数的数量。
3.根据权利要求1所述的基于GCN的雷达辐射源工作模式识别方法，其特征在于，还包括：获取同种仿真工作模式下各个特征参数的连接关系，并构建邻接矩阵 ；对所述邻接矩阵 进行归一化处理。
4.根据权利要求1所述的基于GCN的雷达辐射源工作模式识别方法，其特征在于，所述使用处理后的特征矩阵训练预设的GCN识别网络，得到雷达辐射源识别模型的过程包括：将处理后的特征矩阵输入预设的GCN识别网络；使用Glorot算法初始化预设的GCN识别网络的权值；使用Adam算法迭代更新预设的GCN识别网络的权值；得到雷达辐射源识别模型。
5.根据权利要求4所述的基于GCN的雷达辐射源工作模式识别方法，其特征在于，所述Adam算法的表达式为： ； ； ； ； ；其中， 为当前迭代时损失函数 的梯度， 为赋值操作， 为梯度算子， 为对预设的GCN识别网络进行迭代训练时当前迭代的损失函数， 为对预设的GCN识别网络进行迭代训练时当前迭代的权重， 为初值为0的梯度 的一阶矩估计， 为取值为0.9的一阶矩估计的指数衰减率， 为初值为0的梯度 的二阶矩估计， 为取值为0.999的二阶矩估计的指数衰减率， 为转置操作， 为预设取值为0.001的参数， 为取值为 的平滑常数。
6.根据权利要求4所述的基于GCN的雷达辐射源工作模式识别方法，其特征在于，迭代学习率为0.01，权重衰减为5e-4。
7.根据权利要求1所述的基于GCN的雷达辐射源工作模式识别方法，其特征在于，所述将雷达辐射源信号的工作模式进行降维可视化的过程包括：将识别结果以高维数据表示；使用t-SNE算法，将高维数据转换为低维数据。
8.一种基于GCN的雷达辐射源工作模式识别装置，其特征在于，包括：仿真模块，用于对雷达辐射源的各个工作模式进行仿真；特征提取模块，用于提取各个仿真工作模式的特征参数，并形成特征矩阵；其中，所述特征参数包括脉重频、脉宽、占空比脉内调制方式、频率视数、回照、每个CPI上的脉冲数和带宽；处理模块，用于将所述特征矩阵进行归一化处理；训练模块，用于使用处理后的特征矩阵训练预设的图卷积神经网络GCN识别网络，得到雷达辐射源识别模型；其中，预设的GCN层识别网络包括多层GCN层，所述预设的GCN识别网络依次包括第一GCN层、ReLu激活层、Dropout层、第二GCN层；其中，相邻GCN层之间的传递关系为： ；其中， 为节点在第 层的特征， 为非线性变换， 为加入自循环的邻接矩阵， 为 对应的度矩阵， 为第 层的权重， 为第 层的截距；识别模块，用于使用所述雷达辐射源识别模型识别处理后的待识别的雷达辐射源信号，得到雷达辐射源信号的工作模式；降维可视化模块，用于将所述雷达辐射源信号的工作模式进行降维可视化。
