1.一种基于注意力机制的雷达干扰分类方法，其特征在于，包括：获取航天器载雷达或地面深空探测雷达采集的待处理脉冲描述字数据流，从所述脉冲描述字数据流中筛选出具有航天干扰显著特征的脉冲数据段；利用星历时间戳标记法对所述脉冲数据段进行时序定位，通过适配空间目标运动周期的预设脉冲阈值将时序定位后的脉冲数据段划分为多个脉冲间隔片段，每个脉冲间隔片段对应一个或多个脉冲间隔；对所述多个脉冲间隔片段进行航天场景适配的多级处理，得到多维特征向量；将所述多维特征向量输入预训练好的航天雷达干扰分类神经网络模型，所述模型采用卷积神经网络提取局部时空特征，并利用多头注意力机制捕获特征间的长程依赖关系并增强关键特征，通过Softmax分类层输出所述多维特征向量对应的航天雷达干扰类型的概率分布；根据概率分布中的最大概率确定航天雷达干扰分类结果；所述将所述多维特征向量输入预训练好的航天雷达干扰分类神经网络模型，所述模型采用卷积神经网络提取局部时空特征，并利用多头注意力机制捕获特征间的长程依赖关系并增强关键特征，通过Softmax分类层输出所述多维特征向量对应的航天雷达干扰类型的概率分布，包括：基于预训练好的干扰分类神经网络模型的卷积神经网络的卷积层，通过滑动窗口对所述多维特征向量进行局部特征提取，得到局部特征序列；在经卷积神经网络的ReLU激活函数引入非线性后，通过预设尺寸的最大池化层压缩特征维度，对所述局部特征序列进行维度调整，以保留关键局部特征，得到调整后的局部特征序列；通过卷积神经网络的全连接层，将所述局部特征序列映射为预设维度的第一特征矩阵，使所述第一特征矩阵适配多头注意力机制的输入要求；生成与第一特征矩阵长度匹配的位置编码向量，并将所述位置编码向量与所述第一特征矩阵相加，得到第二特征矩阵；将所述第二特征矩阵划分为多个特征子序列，每个所述特征子序列对应一个注意力头；计算每个所述注意力头与对应的所述特征子序列间的关联程度值；基于所述关联程度值对所述特征子序列进行加权融合，得到多个注意力特征，将所述多个注意力特征拼接为融合特征序列；基于干扰分类神经网络模型中的Softmax分类层，通过对所述融合特征序列与各类航天雷达干扰类型的匹配度进行数值转换，得到多维特征向量对应的航天雷达干扰类型的概率分布；所述对所述多个脉冲间隔片段进行航天场景适配的多级处理，得到多维特征向量，包括：对各所述脉冲间隔片段进行特征统计，得到对应的统计特征包括以下至少之一：平均间隔、间隔标准差、间隔最小值、间隔最大值和间隔直方图分布；计算相邻脉冲间隔片段之间统计特征的相似性系数，及同一脉冲间隔片段内脉冲间隔的变异系数；将所述统计特征、所述相似性系数与所述变异系数进行关联处理，形成多维特征向量。
2.根据权利要求1所述的方法，其特征在于，所述计算每个所述注意力头与对应的所述特征子序列间的关联程度值，包括：将所述特征子序列转换为第一特征分量和第二特征分量，所述第一特征分量与所述第二特征分量的特征维度相同；计算所述第一特征分量中的各个特征分量与所述第二特征分量中的各个特征分量的关联强度数值，基于各所述关联强度数值，构成数值集合；将所述数值集合中的每个关联强度数值进行调整，以使调整后的关联强度数值处于预设区间内，根据调整后的关联强度数值，确定特征子序列中各位置的特征间的关联数值；基于每个所述注意力头对应的预设权重参数，对所述关联数值进行加权整合，得到每个所述注意力头与对应的所述特征子序列间的关联程度值。
3.根据权利要求2所述的方法，其特征在于，所述将所述数值集合中的每个关联强度数值进行调整，以使调整后的关联强度数值处于预设区间内，根据调整后的关联强度数值，确定特征子序列中各位置的特征间的关联数值，包括：设定预设区间的上限值与下限值，对所述数值集合中的每个关联强度数值进行判断；若判断结果表示所述关联强度数值大于所述上限值，则将所述上限值作为所述关联强度数值，若判断结果表示所述关联强度数值小于所述下限值，则将所述下限值作为所述关联强度数值，若判断结果表示所述关联强度数值处于所述上限值与所述下限值之间，则保持所述关联强度数值不变，以得到调整后数值，所述调整后数值与所述特征子序列中各特征间的关联关系呈正相关；基于所有所述调整后数值，确定所述特征子序列中各特征间的关联数值。
4.根据权利要求1所述的方法，其特征在于，所述计算相邻脉冲间隔片段之间统计特征的相似性系数，及同一脉冲间隔片段内脉冲间隔的变异系数，包括：将所述脉冲间隔片段中按照时间先后顺序排列且位置前后相连的两个脉冲间隔片段作为相邻片段；针对每个类型，对所述相邻片段中相同类型的统计特征，分别计算对应的数值差值；将所有类型的统计特征对应的数值差值进行整合处理，得到所述相邻片段之间的相似性系数；提取同一脉冲间隔片段包含的全部脉冲间隔数值，计算所述全部脉冲间隔数值的平均大小和分散程度值，基于所述平均大小和所述分散程度值，计算所述同一脉冲间隔片段内的变异系数。
5.根据权利要求1所述的方法，其特征在于，所述从所述脉冲描述字数据流中筛选出具有航天干扰显著特征的脉冲数据段，包括：从所述脉冲描述字数据流中提取脉冲干扰的重复间隔；识别所述重复间隔的周期性与随机性类型；基于所述周期性，计算所述随机性类型在所述重复间隔的全部类型中的占比，根据所述占比筛选出具有显著周期性特征或显著随机性特征的脉冲数据段。
6.一种基于注意力机制的雷达干扰分类系统，其特征在于，用于执行如权利要求1所述的基于注意力机制的雷达干扰分类方法，包括：获取模块，用于获取航天器载雷达或地面深空探测雷达采集的待处理脉冲描述字数据流，从所述脉冲描述字数据流中筛选出具有航天干扰显著特征的脉冲数据段；划分模块，用于利用星历时间戳标记法对所述脉冲数据段进行时序定位，通过适配空间目标运动周期的预设脉冲阈值将时序定位后的脉冲数据段划分为多个脉冲间隔片段，每个脉冲间隔片段对应一个或多个脉冲间隔；处理模块，用于对所述多个脉冲间隔片段进行航天场景适配的多级处理，得到多维特征向量；输出模块，用于将所述多维特征向量输入预训练好的航天雷达干扰分类神经网络模型，所述模型采用卷积神经网络提取局部时空特征，并利用多头注意力机制捕获特征间的长程依赖关系并增强关键特征，通过Softmax分类层输出所述多维特征向量对应的航天雷达干扰类型的概率分布；确定模块，用于根据概率分布中的最大概率确定航天雷达干扰分类结果。
7.一种电子设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的基于注意力机制的雷达干扰分类方法的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时能够实现如权利要求1至5中任一项所述的基于注意力机制的雷达干扰分类方法。
