1.基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，包括以下步骤：步骤1：分别提取干扰信号和不含干扰的通信信号的特征参数，按照“实体‑属性‑属性值”的三元组形式构建知识图谱，并将其存储于neo4j图数据库中用于可视化展示；所述三元组的实体为信号类型，属性为特征参数类型，分别为各特征参数设置阈值，若某特征参数的数值大于相应阈值，则该特征参数对应的属性值为高，否则为低；

步骤2：将步骤1中构建的知识图谱转换为以“头实体‑关系‑尾实体”的三元组形式构建的知识图谱，头实体与实体对应，关系与属性对应，尾实体与属性值对应；

步骤3：利用TransR算法分别将知识图谱中的实体和关系嵌入为向量，以获得知识图谱中头实体对应的向量，以及知识图谱中关系对应的嵌入向量；

步骤4：提取待识别信号的特征参数并做归一化处理，获得归一化的特征参数值；

步骤5：分别将知识图谱中关系对应的嵌入向量与归一化的特征参数值对应相乘，并将所得结果向量依次头尾拼接得到的向量作为神经网络线性变换层的输入；

步骤6：将知识图谱中头实体对应的向量按列组成矩阵，并将神经网络线性变换层输出的预测向量与该组成矩阵相乘，得到向量M；

步骤7：将步骤6所得向量M代入Softmax函数，获取待识别信号属于每个信号类型的概率值，概率值最大的信号类型即为待识别信号的类型。

2.如权利要求1所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述步骤1中，干扰信号的类型包括单音连续波干扰、宽带梳状谱干扰、线性调频干扰、脉冲干扰、窄带随机二元码调制干扰和宽带随机二元码调制干扰，特征参数的类型包括能限因子、归一化频谱之3dB带宽、归一化频谱峰度系数、归一化频谱冲激部分标准差、时域峰均比和分数阶傅里叶域能量聚集度差别。

3.如权利要求1所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述步骤3中，利用TransR算法分别将知识图谱中的实体与关系嵌入为向量，具体公式如下：

hr＝hMr，

tr＝tMr，

其中，对于知识图谱中的每一个关系r都需要设置一个投影矩阵Mr，其作用是将每个头实体h和尾实体t从实体空间投影到关系空间中分别得到对应的hr和tr，通过不断调整向量h、r、t和Mr使hr+r与tr逐渐逼近，fr(h,t)为得分函数，L为损失函数，γ为损失函数的超参数，在训练时通过采用将正确的三元组集合S中三元组(h,r,t)的头实体h或尾实体t随机替换的负采样方式组成错误的三元组(h',r,t')，从而构成错误的三元组集合S'。

4.如权利要求1所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述步骤3中，利用TransR算法分别将知识图谱中的实体与关系嵌入为向量，知识图谱中头实体对应的向量分别为 知识图谱中关系对应的嵌入向量分别为 所述步骤5中，神经网络线性变换层的输入向量X1,X2,X3...X6分别为归一化的特征参数值，表示向量拼接。

5.如权利要求1或4所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，步骤5中所述神经网络线性变换层包括输入层、隐藏层、输出层，输入层的单元数为

60，隐藏层的单元数为15，输出层的单元数为10；步骤6中所述预测向量 且O＝HWo+bo，其中H为隐藏层的输出且 Wh与bh分别为隐藏层的权重参数和偏置参数，Wo与bo分别为输出层的权重参数和偏置参数。

6.如权利要求5所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，所述神经网络线性变换层训练时的损失函数为交叉熵损失函数，其定义如下：其中，y为输入样本的标签向量，即输入样本对应的信号类型的独热编码，为线性变换层的输出向量，yi与 分别表示y与 中的第i个元素。

7.如权利要求5所述的基于知识图谱和Softmax回归的干扰信号识别方法，其特征在于，步骤6中向量M＝OEh且 Eh为知识图谱中头实体对应的向量Eh1,Eh2,Eh3,...,Eh7按列组成的矩阵且 步骤7中将向量M代入Softmax函数，得到其中，Mi为M中的第i个元素，yi为待识别信号属于第i个信号类型的概率值。