1.基于小规模电磁数据的神经网络模型处理方法，其特征在于，包括以下步骤：S1、数据预处理：采集小规模电磁数据，使用min‑max标准化将采集到的数据统一映射到[0,1]区间上，并采用缺失‑插补法对数据进行扩充，得到训练集；

S2、设计全连接网络模型结构；

S3、利用训练集数据搜索全连接网络模型结构的超参数，进行模型训练；

S4、利用训练得到的全连接网络模型结构对新的电磁数据进行处理。

2.根据权利要求1所述的一种基于小规模电磁数据的神经网络模型处理方法，其特征在于，所述S1具体实现方法为：S11、采集小规模电磁数据，并找出每条数据中的最大值和最小值，然后按照如下转换函数将数据统一映射到[0,1]区间上：*

其中，X、X分别表示转换后和转换前的数据，max、min分别表示数据的最大值和最小值；

S12、将所有数据按照组合方式人为构造数据缺失，具体方法为：设一条数据维度为n，缺失维度为m，则得到 条有缺失的数据，其中n>m，并将抽取维度的数据值置为null，表示该位置数据缺失；

S13、对有缺失的数据进行填补：对一条有缺失的数据X，首先计算X与其他数据的欧氏距离，并找出与其距离最近的k条数据，计算这k条数据中对应X有缺失的维度的数据的均值，将其填入X的缺失部分进行补全；其中，k大于

3.根据权利要求1所述的一种基于小规模电磁数据的神经网络模型处理方法，其特征在于，所述S2具体实现方法为：S21、建立电磁数据的有向无环图，将数据集中的数据作为有向无环图的节点，每一个后继节点都与前面的包括其父节点在内的所有节点相连，相连节点间都采用若干条边相连，每条边表示对节点数据的一种操作；

(j) (i，j) (i) (j) (i，j)S22、对于第j个节点x ，通过操作o 和它的前驱节点x 相连，即：x ＝∑i＜jo(i)

(x )；

S23、为每个操作都赋予一个权重α，然后将这些操作使用softmax函数，模型的搜索任务将会简化为学习权重α；得到节点间操作将变为：(i，j)

其中O表示所有操作的集合， 表示操作o 的权重，o(x)表示对输入节点x进行操(j) (i)

作o，o′为节点x 和它的前驱节点x 之间的另一种操作；

S24、将权重α作为模型的结构参数，计算结构参数α的梯度，由如下公式给出：* *

其中Lval(w (α)，α)表示模型在结构参数为α，模型参数为w时在验证集上的损失；w为模* *

型参数，ξ为学习率，w(α)表示在结构参数α下训练得到的最优模型参数w ；Ltrain(w，α)表示模型在结构参数为α，模型参数为w时在训练集上的损失； 表示对模型的参数按照梯度下降进行了更新；

S25、对S24中的公式使用链式复合求导法则进行化简：其中 表示参数w根据模型在训练集上的损失求得的梯度；

S26、使用差分公式求得步骤S25中的二阶导数：其中 当ξ＝0时，步骤S25中的二阶导数将消失，结构的梯度由一阶近似给出；当ξ>0时，结构的梯度为二阶近似；∈为模型训练过程中初始化的固定的值， ||·||表示中间梯度向量的欧几里得范数。

4.根据权利要求3所述的一种基于小规模电磁数据的神经网络模型处理方法，其特征在于，所述S3具体实现方法为：S31、将训练数据按7:3划分为训练集和验证集；

S32、将S31中获得的验证集送入模型进行训练，更新结构参数α，模型参数w不更新；

S33、将训练集输入模型进行训练，计算模型权重梯度，并根据梯度更新模型参数w，不更新结构参数α；

S34、重复S32和S33，直至结构参数α和模型参数w收敛；

S35、根据最终获得的结构参数α对每一层的超参数进行解码，得到离散的模型结构，即为最终模型：