1.一种恒星光谱数据增强方法，其特征在于，包括：对恒星光谱进行预处理，对处理后的光谱数据按照类别设置标签；

构建条件生成对抗网络模型并采用设置标签的的光谱数据对网络模型进行训练；

基于训练好的条件生成对抗网络模型进行数据增强。

2.根据权利要求1所述的一种恒星光谱数据增强方法，其特征在于，所述对恒星光谱进行预处理包括：

对于光谱样本集中D中的每个每个恒星光谱样本Si，设置统一的维度m，在维度m处将Si截断得到 使其每个维度都有值；

其中，D＝{S1,S2,S3,...Si...,Sn}，Si代表第i个恒星光谱样本，n代表真实的恒星光谱的个数；

根据式(1)得到归一化后的恒星光谱样本数据

3.根据权利要求1所述的一种恒星光谱数据增强方法，其特征在于：所述构建条件生成对抗网络模型包括：

基于高斯分布，生成随机噪声向量N，并配对的生成类别控制向量C；

将随机噪声向量N和类别控制向量C拼接成一个输入向量N′＝(N,C)；

根据输入向量N′＝(N,C)生成条件生成对抗网络模型。

4.根据权利要求3所述的一种恒星光谱数据增强方法，其特征在于，所述根据输入向量N′＝(N,C)生成条件生成对抗网络模型包括：通过Reshape层、卷积层、上采样层、压平层和全连接层搭建生成模型；

通过生成模型将输入向量N′拓展到真实光谱数据D同样的数据维度，得到生成的光谱数据F；

通过Reshape层、卷积层、丢弃层、压平层和全连接层搭建卷积神经网络判别模型；

将生成的光谱数据F与真实光谱数据D混合，按照类别生成标签向量L，送入卷积神经网络判别模型；

通过深度学习迭代学习，得到训练好的条件生成对抗网络模型。

5.根据权利要4所述的一种恒星光谱数据增强方法，其特征在于，条件生成对抗网络模型的训练样本的批大小设为512，选用交叉熵损失函数，然后使用激活函数为修正线性单元，由激活函数完成非线性变换，通过Adam优化算法进行参数寻优，其中学习率为设为

0.001，衰减项设置为1e‑08，动量设置为0.9，迭代次数设置为100。

6.根据权利要5所述的一种恒星光谱数据增强方法，其特征在于，所述条件生成对抗网络模型的生成模型部分包括：

第一层：为一Reshape层，其输入数据为输入向量N′第二层：为一卷积层，包含4个大小为4×1的卷积核，步长设为1；

第三层：为一大小为2×1的上采样层；

第四层：为一包含8个大小为4×1的卷积核的卷积层，步长为1；

第五层：为一大小为2×1的上采样层；

第六层：为一个包含16个大小为4×1的卷积核的卷积层，步长为1；

第七层：为一平压层；

第八层：为一包含3700个神经元节点的全连接层。

7.根据权利要5所述的一种恒星光谱数据增强方法，其特征在于：所述条件生成对抗网络模型的卷积神经网络判别模型包括：第一层：为一Reshape层，其输入数据为混合后的恒星光谱数据；

第二层：为一包含4个大小为3×1的卷积核的卷积层，步长为(2,1)；

第三层：为一Dropout丢弃层，随机丢弃前面卷积层40％的神经元；

第四层：为一含8个大小为3×1的卷积核的卷积层，步长为(2,1)；

第五层：为一Dropout丢弃层，随机丢弃前面卷积层40％的神经元；

第六层：为一包含16个大小为3×1的卷积核的卷积层，步长为(2,1)；

第七层：为一Dropout丢弃层，随机丢弃前面卷积层40％的神经元；

第八层：为一压平层；

第九层：为一包含128个神经元的全连接层；

第十层：为一包含1个神经元的全连接层。

8.一种恒星光谱数据增强方法，其特征在于，包括：光谱数据预处理模块，用于对恒星光谱进行预处理，对处理后的光谱数据按照类别设置标签；

模型训练模块，用于构建条件生成对抗网络模型并采用设置标签的的光谱数据对网络模型进行训练。