1.一种基于时序知识图谱的雷达意图推理模型训练方法，其特征在于，所述方法包括：采集雷达时序序列特征数据并预处理；利用雷达时序序列特征数据构建知识图谱作为数据集；基于TemporalGCN构建雷达意图推理模型；将部分数据集输入所述雷达意图推理模型，得到预测值，通过训练调整所述模型参数，直至得到的预测值最接近实际值；利用雷达时序序列特征数据构建知识图谱作为数据集，具体为：将雷达时序序列特征数据以三元组形式进行表征，所述三元组包括头实体、尾实体和关系；所述头实体描述雷达工作模式，包括VS模式、TWS模式、TAS模式和STT模式；所述关系用于描述头实体和尾实体之间的关系，包括模式类别、频率视数、带宽、脉重频、回照、占空比、调制方式、每个CPI上脉冲数和脉宽；所述尾实体用于描述关系的具体数值；所述TemporalGCN包括多个TemporalGCN层，每个TemporalGCN层包括两个时序卷积层和一个图卷积网络层，所述图卷积网络层位于两个时序卷积层之间；最后衔接一个全连接层；对于每个TemporalGCN层，第 个TemporalGCN层输入 ，经过时序卷积层输出为 ，之后通过图卷积网络层将 对应的 知识图谱进行更新，再次通过一个时序卷积层输出 ；同理，再经过一层TemporalGCN层后送入全连接网络得到最终的预测值 ；基于1D-CNN-GLU模型构建所述时序卷积层，时序卷积层输入 为：其中， 表示第 t 时刻知识图谱的图表示； ， 为时序卷积层的时间步； 表示实数域； 为特征向量的长度； 为图中节点个数；经过大小为 ，深度 的卷积核沿着时间维度进行1D-CNN运算，之后进行GLU激活：其中， ； 和 是学习参数； 为矩阵对应元素相乘， 为非线性激活函数；所述图卷积网络层用于将前一个时序卷积层输出的对应知识图谱进行更新，表现为：其中， 和 分别表示第 层和 层图卷积层， 是 层的权重矩阵， 是非线性激活函数， 是度矩阵， 是邻接矩阵；上标 表示每个节点都增加了该节点本身的信息。
2.根据权利要求1所述的方法，其特征在于，通过 函数评估所述预测值和实际值的差距：其中， 表示 时刻的实际值，下标表示时序； 表示预测值；通过最小化 函数训练调整雷达意图推理模型参数； 表示求范数的平方。
3.根据权利要求1所述的方法，其特征在于，所述预处理包括归一化处理，具体采用下式归一化：其中， 是归一化之后的特征数据； 是采集的特征数据； 是特征数据的最小值； 是特征数据的最大值。
4.一种基于时序知识图谱的雷达意图推理方法，其特征在于，所述方法包括：实时采集待推理雷达的时序序列特征数据并预处理；将所述时序序列特征数据输入雷达意图推理模型；所述模型输出待推理雷达的意图；所述雷达意图推理模型是根据权利要求1-3中任一项所述方法训练得到。
5.一种电子设备，其特征在于，包括：存储器，用于存储程序；处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行权利要求1-3中任一项所述的方法，或者，执行权利要求4中所述方法。
6.一种存储介质，所述存储介质存储有计算机程序，其特征在于，当所述计算机程序在处理器上运行时，使得所述处理器执行权利要求1-3中任一项所述的方法，或者，执行权利要求4中所述方法。
