1.一种基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，包括以下步骤：

1)训练卷积神经网络：采集包含不同调制方式的雷达信号，将时域数据变换为频域数据，得到频域特征数据序列，作为训练样本；将训练样本送入卷积神经网络中进行前向计算，并使用量子粒子群算法来调整卷积神经网络的权值和阈值，当满足迭代停止条件时停止迭代训练，得到训练好的卷积神经网络；

2)基于训练好的卷积神经网络进行雷达信号识别：将采集的待识别的雷达信号进行时频转换；得到的频域数据送入步骤1)训练好的卷积神经网络，进行特征的分类，输出雷达信号的调制方式。

2.根据权利要求1所述的基于改进量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)和步骤2)中使用快速傅里叶变换将时域数据变换为频域数据。

3.根据权利要求2所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中得到频域数据后，还包括对数据进行去噪、归一化处理，其中去噪公式如下：其中Yt(n)表示经过快速傅里叶变换变换后去噪前的数据集，Af表示经过快速傅里叶变换后雷达信号频域序列的均值；Yd(n)表示去噪后的频域特征数据序列。

4.根据权利要求1所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中卷积神经网络为一维七层卷积神经网络模型，其基本结构包括依次相连的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层、输出层，使用时将批量的样本输入到卷积神经网络的输入层，经过逐层前向计算，传送到输出层。

5.根据权利要求4所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中卷积层的前向算法如下：上式中： 表示卷积层中输出特征面n第L个神经元的输出数值； 表示输入特征面m第z个神经元；ωm(Z)n(L)表示输入特征面m第Z个神经元到输出特征面n的第L个神经元的权值；bn表示输出特征面的阈值，同一个输出特征面共享一个阈值，f(·)为非线性激活函数。

6.根据权利要求4所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中池化层的前向算法如下：上式中： 表示池化层第n个输出面第K个神经元， 表示第n个输入面p个神经元，f(·)为池化方式表征函数。

7.根据权利要求1所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中使用量子粒子群算法来调整卷积神经网络的权值和阈值过程如下：采用向量编码的策略，每个粒子被编码成一个向量，每个向量代表一组卷积神经网络需要训练调整的权值或者阈值，具体编码方式如下：上式中，i代表粒子数，i＝1,2,…,M； 表示第n个卷积层第K个输入神经元到第L个输出神经元的卷积核权值；单个粒子编码成一个1×N向量，N维即待处理问题的维度，N的大小等于计算出的整个卷积神经网络待训练优化的参数数目；最后确定整个粒子种群的大小M，那么整个粒子种群就会被编码成下式的N×M的矩阵：编码策略与种群矩阵确定后，就可以把粒子相对应地映射到卷积神经网络各层的权值和阈值。

8.根据权利要求1所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中量子粒子群算法形式如下：pid(t)＝φ·pbestid(t)+(1-φ)·gbestd(t)                  (1)g(t)＝pg(t)/pi(t)                              (3)k(t)＝(k0-km)·exp(-(t/T)2·g(t))+km                 (4)xid(t+1)＝φ·δd+(1-φ)·gbestd(t)±k(t)·|mbest-xid(t)|·ln(1/u)  (5)式(1)中pid(t)是粒子i介于pbestid与gbest的随机位置；式(2)中mbest表示所有个体当前最优位置的中心点；式(3)中pg(t)表示种群最优位置，pi(t)表示个体最优位置；式(4)中k0表示设置的收缩扩张系数的初始值，km表示设置的收缩扩张系数的终值，t表示当前迭代次数，T表示最大迭代次数；式(5)中xid(t+1)为粒子i下一代的位置，δd＝XK-Xj(i≠j≠k)，gbestd(t)为当前代所有粒子位置的全局最优，xid(t)为粒子i当前代的位置，φ和u都是均匀分布在(0,1)之间的随机数。

9.根据权利要求1所述的基于量子粒子群卷积神经网络的雷达信号识别方法，其特征在于，所述步骤1)中迭代停止条件包括卷积神经网络的误差小于预定阈值或者达到预定迭代次数，其中，所述卷积神经网络的误差通过均方误差表示，公式如下：其中，N是卷积神经网络输入的训练样本数，H是卷积神经网络输出层神经的个数， 是第i个样本的第j个输出节点的期望输出，yji是第i个样本的第j个输出节点的网络实际输出。