1.一种基于K中心特征分布重建的类增量雷达辐射源个体智能识别方法，其特征在于，包括：仿真生成若干类带噪声雷达辐射源个体数据集，将每类样本分为训练集和测试集；构建预训练的特征提取器，所述特征提取器包括3个融合多头注意力机制的多尺度卷积模块、全局自适应平均池化层、全连接神经网络层；所述融合多头注意力机制的多尺度卷积模块，包括：将输入数据分别经过三个不同尺度的一维卷积支路：其中， 为卷积的尺度， 为尺度 的卷积支路输出， 为输入；输入还经过一个池化卷积支路：其中， 为池化卷积支路输出， 为输入；将各个支路的输出在通道方向拼接，得到多尺度卷积的输出：其中， 为多尺度卷积的输出；对多尺度卷积的输出使用多头自注意层，得到模块输出 ：提取训练集的N个采样点作为特征提取器的第一通道输入，对N个采样点做FFT变换，将FFT变换后的实部和虚部分别作为特征提取器的第二通道、第三通道输入；对第一通道、第二通道、第三通道的输入样本进行归一化处理，使其满足均值为0、标准差为1的分布；基于改进的有监督对比损失函数对特征提取器进行训练，采用训练好的特征提取器进行特征提取得到训练集特征；所述基于改进的有监督对比损失函数对特征提取器进行训练，包括：在使用有监督对比损失函数训练中，分别将一个batch里的每一个样本特征的同类样本特征作为正样本对、不同类样本特征作为负样本对；通过特征向量的点积来计算锚点和对比特征之间的相似度Logits：其中， 和 分别是样本 和样本 的特征向量， 是控制相似度梯度的温度参数；使用softmax函数计算对比logits的概率分布：对于正、负样本对分别计算正样本损失和负样本损失：其中， 是样本 的正样本集； 是样本 的负样本集；将正样本和负样本对的对数概率的差值作为最终损失，在整个批次中取平均值作为损失：其中， 是最终损失， 是负样本权重用来控制负样本在损失计算中的重要性对每一类的训练集特征进行基于K-means的多中心提取，得到每一类的每个簇中心作为此类特征的K中心集和该K中心所在簇包含的点数，在K中心周边生成点数个噪声作为伪特征；所述对每一类的训练集特征进行基于K-means的多中心提取，包括：设置簇数量 ，优化目标为所有数据点到其所属簇中心的距离平方和：其中， 是第 个数据点， 是第 个簇中心， 是第 个簇中所有数据点的集合， 是欧氏距离的平方；通过迭代进行簇分配和中心更新，K-means算法尝试最小化目标函数 从而将数据集划分为10个最优的簇；将伪特征和新类特征合并，训练网络分类器，所述网络分类器为两层全连接层神经网络分类器，输入层神经元个数等于特征维度数512，中间层神经元个数设置为128，输出层神经元个数等于当前总类别个数；所述新类特征的获取，包括：对新类雷达辐射源个体训练集样本使用训练好的特征提取器进行特征提取，得到新类的训练集特征；所述伪特征服从以K中心为均值、标准差为 的正态分布：其中， 为第 i 个K中心位置；使用训练好的特征提取器对测试集进行特征提取，将测试集的特征输入到训练好的网络分类器进行分类测试其识别准确率。
2.根据权利要求1所述一种基于K中心特征分布重建的类增量雷达辐射源个体智能识别方法，其特征在于，训练特征提取器后还包括构建并训练初始类别分类器，所述初始类别分类器用于对初始类别训练集进行分类。
3.一种计算机系统，其特征在于包括：一个或多个处理器，计算机可读存储介质，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1所述的方法。
4.一种计算机可读存储介质，其特征在于存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1所述的方法。
