1.应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于，包括如下步骤：S1：通过毫米波雷达捕获手势信息，解析雷达原始回波序列，按雷达原始回波的时域结构构建输入数据块；

S2：通过基于时间分布层的包装器、一维卷积与全局池化层和InceptionV3网络结构搭建卷积神经网络模块；

S3：利用卷积神经网络模块的一维时序卷积神经网络对雷达回波进行特征信息提取；

S4：通过帧间自注意机制为提取的特征分配权重值，获得序列的帧间相关性并抑制随机干扰；

S5：通过全局平均池化层和全连接层将前面提取的特征经过非线性变换映射到标签集，并输出识别结果；

所述步骤S1中雷达原始回波序列的解析方法为：读入采集的雷达原始回波，按接收天线划分序列，设定每个序列长度，并按照实部和虚部分割，再根据帧划分序列，重组后得到结构为帧×序列×通道的输入数据块；

所述步骤S2中卷积神经网络模块的搭建方法为：采用基于时间分布的一维卷积层和池化层进行计算，采用一维卷积层和全局平均池化层搭建TD‑Inception子网组；

所述步骤S2中卷积神经网络的结构为：该卷积层具有三维结构，通过将维度为(T，d，c)的输入与k个步长为s的卷积核进行卷积和更新参数，生成k个特征序列，其中，T表示帧数，d表示帧序列的长度，c表示输入序列的通道，输出维度为(T，k，cow)，其中padding＝“Valid”，补零策略，表示只进行有效卷积，对帧序列边界不处理；

全局池化层的结构为：在网络中共使用了两类特殊的池化层，包括基于时间分布的一维最大池化采样层和全局平局池化采样层，其中，一维最大池化采样层用于匹配基于时间分布的一维卷积层，保证序列的时间顺序不变，全局平局池化采样层用于替换全连接层，减少参数量；

TD‑Inception子网组的获取方法为：以Inception v3作为一维卷积神经网络模块的基础结构，搭建串联的TD‑Inception子网组，通过对二维的Inception v3改进得到TD‑Inception结构，并通过池化层连接得到TD‑Inception子网组；按照卷积因子分解的思想，将一维输入分为5个分支，再通过时间分布层的包装，最后得到其一维卷积形式为卷积核尺寸×数量。

2.根据权利要求1所述的应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于：所述步骤S4中帧间自注意机制根据帧序列中底层特征的关联性，计算帧与帧之间的特征距离，并为每一帧序列片段分配权重。

3.根据权利要求2所述的应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于：所述权重的计算和分配方法为：A1：通过全连接层初始化参数矩阵，定义帧序列映射：键(Key)、查询(Query)和值(Value)；

A2：根据向量点积的几何意义，计算Query与Key之间的帧间相关性，得到注意力得分；

A3：通过softmax函数对注意力得分进行归一化处理获得得分权重，并按得分权重对value进行加权求和。

4.根据权利要求3所述的应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于：所述步骤A1中键(Key)、查询(Query)和值(Value)的表达式为：其中，Query为输入帧序列的标准，用Key匹配这个标准得到每一帧的得分，最后将得分K Q按比例分配给Value，Wi表示匹配给第i帧序列得分的参数矩阵，Wi表示给第i帧序列的标V准的参数矩阵，Wi 表示分配给第i帧序列Value的参数矩阵，xi为输入的第i帧的序列，Frames表示手势采集时长。

5.根据权利要求4所述的应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于：所述步骤A1中参数矩阵为：dmodel＝dQ＝dK＝320；

d1×d2 Q K V

其中，R 表示d1行d2列的实数矩阵，dmodel表示矩阵Wi 、Wi和Wi的行数，dQ、dK和dV分Q K V别表示矩阵Wi、Wi和Wi列数。

6.根据权利要求5所述的应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于：所述步骤A2中根据缩放点积法计算注意力得分，具体公式为：其中，Qi表示矩阵Q的第i列向量。

7.根据权利要求5所述的应用于随机干扰场景下的毫米波雷达动态手势识别方法，其特征在于：所述步骤A3的公式如下：T

其中，通过 缩放注意力得分QK以获得更好的泛化能力。