1.一种基于拟态对抗学习机制的现场态势未来引导技术，其特征在于：具体步骤为：

(1)将连续的多帧拟态环境图像作为一个batch保存，后面作为模型的输入数据；(2)构建卷积神经网络，使用2‑6层3*3或5*5卷积核进行特征的提取，在卷积操作之后使用最大池化层，获取拟态环境图像中的关键特征数据，在卷积层后面接上两层全连接层，通过全连接层进行强化学习决策中的函数近似；其中，卷积神经网络包括数据输入模块、特征抽取模块、梯度反转层、领域判别模块、引导识别模块；所述引导识别模块中引入领域判别器；

步骤(1)中，所述模型内输入数据，包括源领域数据、目标领域数据；采用领域迁移的对抗学习的方法进行训练处理，将源领域数据迁移到目标领域数据内；

所述对抗学习的方法：采用快速梯度法，通过模型的目标损失函数，对输入数据求解梯度，并将其加到相应的输入维度中，生成对抗样本；在每次对抗扰动添加时，使用一个任意小的正数eplison控制图像的扰动强度，进行改变原始样本的数据分布；在每一步，通过梯度方向传播算法，获取原始样本数据最差情况的对抗噪声delta，产生需要的对抗样本；

基于领域迁移的对抗学习方法来训练模型，在已训练好的或包含较多标注数据的源领域进行预训练，对抗迁移至只有少量标注数据的目标领域进行微调和测试；

领域对抗网络中，通过抽取在目标领域和源领域可迁移的特征表示，降低不同领域数据的分布差异；

所述引导识别模型中引入领域判别器，并在特征抽取模块和领域判别器之间添加梯度反转层，梯度反转层在模型的前向计算过程中相当于恒等变化，而在模型的误差反向传播过程中，改变了由领域判别器回传的梯度，整个对抗学习策略相当于一个双人博弈游戏，其中一个玩家是领域判别器，区分数据来源，另一个玩家是特征抽取器，用来迷惑领域判别器，使其无法正确地区分数据来源。

2.根据权利要求1所述的基于拟态对抗学习机制的现场态势未来引导技术，其特征在于：步骤(1)中所述batch的大小作为超参数，有人工指定，设置为3‑6个。

3.根据权利要求1所述的基于拟态对抗学习机制的现场态势未来引导技术，其特征在于：领域迁移时，先对已经训练好的或包含较多标注数据的源领域数据进行预训练，再进行对抗迁移至只有少量标注数据的目标领域进行微调、测试。