1.一种基于注意力级联网络的有源干扰识别方法，其特征在于，包括：步骤1：获取待测干扰信号的一维时域干扰信号；步骤2：根据所述一维时域干扰信号，得到时频特征图；包括：步骤2.1：对所述一维时域干扰信号进行STFT变换，得到原始时频特征图；步骤2.2：对所述原始时频特征图进行灰度调节，得到所述时频特征图；步骤3：将所述时频特征图输入至训练完成的基于注意力机制的双层级联识别网络，所述双层级联识别网络包括级联的第一识别网络和第二识别网络；步骤4：利用所述第一识别网络得到第一识别结果，若所述第一识别结果属于第一干扰类型，则输出所述第一识别结果；若所述第一识别结果为异常结果，则执行步骤5；步骤5：对所述待测干扰信号在整个合成孔径时间内的回波进行积累，得到对应的二维干扰回波信号；步骤6：根据所述二维干扰回波信号，得到二维图像信息；包括：步骤6.1：对所述二维干扰回波信号进行成像处理得到原始二维图像信息；步骤6.2：对所述原始二维图像进行灰度调节，得到所述二维图像信息；步骤7：将所述二维图像信息输入至所述第二识别网络，得到第二识别结果，所述第二识别结果属于第二干扰类型。
2.根据权利要求1所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述步骤1包括：获取所述待测干扰信号，对所述待测干扰信号沿着方位向进行抽取，得到所述一维时域干扰信号。
3.根据权利要求1所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述第一干扰类型为压制类型干扰，所述压制类型干扰包括：射频干扰、调幅干扰、调相干扰和调频干扰。
4.根据权利要求1所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述异常结果包括不属于第一干扰类型的识别结果和未识别结果。
5.根据权利要求3所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述第一识别网络包括依次级联的第一卷积层、第一最大池化层、多个第一特征提取单元、第一平均池化层和第一全连接层单元；其中，所述第一特征提取单元包括级联的2个第一残差模块，所述第一残差模块为包含一个shortcut connection的2层卷积层网络；所述第一全连接层单元包括级联的2个全连接层；所述第一识别网络用于提取所述时频特征图的图像边缘分布特征和能量分布特征，基于所述图像边缘分布特征和能量分布特征对干扰类型进行识别，输出所述第一识别结果。
6.根据权利要求1所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述第二干扰类型为密集假目标类型干扰，所述密集假目标类型干扰包括：随机移频干扰、固定移频干扰、频谱弥散干扰、间歇采样干扰和微动调制干扰。
7.根据权利要求6所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述第二识别网络包括依次级联的第二卷积层、第二最大池化层、多个第二特征提取单元、第二平均池化层和第二全连接层单元；其中，所述第二特征提取单元包括级联的第二残差模块和残差注意力模块，所述第二残差模块为包含一个shortcut connection的2层卷积层网络，所述残差注意力模块为包含SE注意力模块和一个shortcut connection的2层卷积层网络；所述第二全连接层单元包括级联的2个全连接层；所述第二识别网络用于提取所述二维图像信息的干扰能量分布特征，利用所述SE注意力模块对所述干扰能量分布特征进行通道特征加强，基于通道特征加强后的干扰能量分布特征对干扰类型进行识别，输出所述第二识别结果。
8.根据权利要求7所述的基于注意力级联网络的有源干扰识别方法，其特征在于，所述SE注意力模块包括依次级联的全局池化层、第一全连接层、ReLu函数层、第二全连接层和Sigmoid函数层。
