1.一种基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述方法包括：获取训练样本；所述训练样本包括经预处理的HRRP信号及对应的目标参数提示文本；构建目标识别模型；所述目标识别模型包括输入单元、深层特征提取单元、特征融合单元及识别头；所述深层特征提取单元包括文本分支、时域分支和频域分支，各分支基于大模型的Transformer堆叠架构构建；通过输入单元分别对目标参数提示文本和HRRP信号进行编码，得到文本浅层特征和时域浅层特征，并对HRRP信号进行频域信息提取与编码，得到频域浅层特征；通过深层特征提取单元分别对所述文本浅层特征、所述时域浅层特征和所述频域浅层特征进行特征提取，得到对应的多组中间层特征和深层特征，并将时域分支每一组中间层特征分别与文本分支和频域分支中对应的中间层特征进行对齐，以关联参数域专家知识和信号域专家知识；通过特征融合单元对各分支输出的深层特征进行拼接，输出融合特征；通过识别头对所述融合特征进行分类，输出目标识别结果；根据所述训练样本和预先设置的总损失函数训练所述目标识别模型，得到训练好的目标识别模型；利用训练好的目标识别模型进行目标识别。
2.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述目标参数提示文本为参数域专家知识的文本编码形式，包括目标雷达物理参数的编码信息；所述目标雷达物理参数包括雷达散射截面、方位角、俯仰角及信号极化方式；所述HRRP信号用于提供信号域专家知识相关的时域及频域信息；所述HRRP信号通过样本真实标签进行标记。
3.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述输入单元包括文本-信号模块和频域特征编码模块；所述文本-信号模块包括信号时域特征编码子模块和文本特征编码子模块；所述信号时域特征编码子模块包括时域嵌入层和第一多头注意力层，所述时域嵌入层的输出端连接至第一多头注意力子模块的输入端；所述文本特征编码子模块包括词嵌入层、位置编码层和第二多头注意力层，所述词嵌入层的输出端连接至位置编码层的输入端，所述位置编码层的输出端与第一多头注意力层的输出端共同连接至第二多头注意力层的输入端。
4.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述分别对目标参数提示文本和HRRP信号进行编码包括：对目标参数提示文本进行编码，得到初始文本特征；将HRRP信号的时域部分映射至模型预设维度，得到初始时域特征；对初始文本特征与初始时域特征通过多头注意力机制交互，输出文本浅层特征和时域浅层特征。
5.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，对HRRP信号进行频域信息提取与编码包括：采用三阶小波散射变换对HRRP信号进行处理，以离散Mollé小波作为母小波生成一阶、二阶、三阶小波滤波器组；通过各阶滤波器组对HRRP信号进行滤波并取模，得到各阶尺度图系数；通过低通滤波器对各阶尺度图系数处理，得到小波散射系数；将各阶小波散射系数截断或填充至固定长度并向量化，通过频域嵌入层编码得到频域浅层特征。
6.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述将时域分支每一组中间层特征分别与文本分支和频域分支中对应的中间层特征进行对齐包括：为文本分支、频域分支的各中间层分别配置第一投影层，为时域分支的各中间层配置第二投影层；通过第一投影层将文本分支、频域分支的中间层特征映射至预设特征空间，通过第二投影层将时域分支的中间层特征映射至所述预设特征空间；计算映射后时域分支特征与文本分支特征、时域分支特征与频域分支特征的相似度，实现特征对齐。
7.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述深层特征提取单元的文本分支、时域分支、频域分支均包括位置编码模块，其中，文本分支的位置编码模块与Transformer模块参数冻结，时域分支、频域分支的位置编码模块参数重新训练，且时域分支、频域分支的Transformer模块通过LoRA技术选择部分参数进行微调。
8.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述总损失函数包括任务损失与层次化对齐损失；所述任务损失为交叉熵损失，用于衡量模型识别结果与样本真实标签的差异；所述层次化对齐损失为各中间层对齐相似度的加权和，用于约束参数域专家知识和信号域专家知识的关联程度。
9.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，根据所述训练样本和预先设置的总损失函数训练所述目标识别模型，得到训练好的目标识别模型包括：初始化目标识别模型的可训练参数，设置训练迭代次数、学习率及优化器；在每轮迭代中，随机抽取批量训练样本，将训练样本输入目标识别模型，经前向传播得到对应的目标识别结果及各分支中间层特征；根据目标识别结果与样本真实标签计算任务损失，根据中间层特征对齐结果计算层次化对齐损失，结合总损失函数得到本轮总损失；通过优化器反向传播总损失，更新时域分支、频域分支中经LoRA技术选定的可训练参数及投影层参数，保持文本分支冻结参数不变；重复迭代过程，直至满足迭代停止条件时，停止迭代，保存当前模型参数作为训练好的目标识别模型。
10.根据权利要求1所述的基于双域专家知识的HRRP大模型多场景识别方法，其特征在于，所述大模型包括GPT-2。
