1.一种基于生成对抗网络的声学被动式舰船目标分类方法，其特征在于，包括以下步骤：步骤1：构建生成对抗网络；

生成对抗网络依次由生成网络和判别网络连接组成；

所述生成网络依次由5个卷积单元连接组成，每个卷积单元依次由一维卷积层、激活函数层、批量归一化层和L2正则化层连接组成；生成网络为单输入单输出；

所述判别网络依次由4个卷积单元、1个全局平均池化层和2个全连接层连接组成；每个卷积单元依次由一维卷积层、激活函数层、批量归一化层、池化层和L2正则化层连接组成；

判别网络为单输入双输出；

步骤2：将实测舰船辐射噪声信号作为标准信号；给标准信号中添加不同信噪比的高斯白噪声模拟相同海域、不同海况下的舰船辐射噪声，生成低信噪比舰船辐射噪声；对低信噪比舰船辐射噪声建立类别标签，并划分训练集和测试集；

步骤3：使用训练集独立训练生成网络和判别网络；

步骤3‑1：在训练生成网络时，判别网络不参与生成网络的训练，生成网络输入为低信噪比舰船辐射噪声，输出为对输入信号降噪后的生成信号，损失函数为输出的生成信号与对应的标准信号之间的均方误差函数；使用Adam算法进行小批量梯度下降，加入L2正则化防止过拟合，使均方误差函数最小，完成训练；

步骤3‑2：在训练判别网络时，生成网络不参与判别网络的训练，判别网络输入为生成网络输出的生成信号或者标准信号，一个输出为舰船真假信息，对应的损失函数二元交叉熵损失函数；另一个输出为舰船类别信息，对应的损失函数为多元交叉熵损失函数；使用Adam算法进行小批量梯度下降，加入L2正则化防止过拟合，使二元交叉熵损失函数和多元交叉熵损失函数最小时完成训练；

步骤4：微调生成网络和判别网络；

步骤4‑1：微调生成网络；

将判别网络的参数冻结，只更新生成网络的参数；此时生成对抗网络的输入为加入低信噪比舰船辐射噪声，对应的标签为真和舰船种类；生成对抗网络的输出为真假信息和种类信息，损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数；使用Adam算法进行小批量梯度下降，加入L2正则化防止过拟合；

步骤4‑2：微调判别网络；

将生成网络的参数冻结，只更新判别网络的参数；判别网络的输入为低信噪比舰船辐射噪声通过生成网络后输出的生成信号，对应的标签为假和舰船的种类；生成对抗网络的输出为真假信息和种类信息，损失函数分别为二元交叉熵损失函数和多元交叉熵损失函数；使用Adam算法进行小批量梯度下降，加入L2正则化防止过拟合；

步骤5：重复步骤3和步骤4，使步骤4‑1和步骤4‑2中的损失函数收敛完成网络训练；使用测试集对网络进行测试；

步骤6：将舰船辐射噪声输入已经训练好的生成网络中进行降噪，得到生成信号；再将生成信号输入到已经训练好的判别网络中进行识别，得到舰船类别信息。