1.一种基于多判别生成对抗网络的水声目标识别方法，其特征在于：包括如下步骤：S1、根据水声目标辐射噪声产生的机理和特点，对数据预处理并提取出目标的特征图像；

S2、设计基于多判别生成对抗网络的数据扩充模型架构，使用步骤S1中提取的目标特征进行训练，得到生成模型；

具体步骤为：

S21、多判别生成对抗网络模型包括用于生成样本数据的生成器网络G和用于判别输入样本数据的来源的多判别器网络Dn；

S22、在多判别生成对抗网络中，生成器网络G的输入为噪声变量Z，输出为生成样本G(z)，同时生成的样本G(z)作为多判别器网络Dn的输入数据，生成器网络G的价值函数表示为：式中，n为多判别器网络中集成子判别器的数量，x为生成器网络G的生成样本，Di(x)为第i个判别器网络对生成样本x计算的损失值；

S23、多判别器网络Dn由多个子判别器并行构成，输入为生成样本G(z)和真实样本，输出为对输入样本的判别结果，价值函数表示为：式中，n为多判别器网络中集成子判别器的数量；

S24、在多判别器网络Dn的输出中，n个子判别网络产生的n个判别结果的可信度受子判别器性能的影响，采用软投票的策略对判别结果的权重进行分配，分配方法如下式所示：其中Wij表示第i个分类器的第j类的权重，Pij表示第i个分类器第j类的精确率，n为多判别器网络中集成子判别器的数量；

S25、多判别生成对抗网络模型的表示为：

S26、多判别生成对抗网络模型的训练采用交替迭代的梯度训练法进行，具体方法为：首先固定生成器网络G，将真实样本标记为真，生成样本标记为假，训练多判别器网络Dn区分真实样本和生成样本；然后固定多判别器网络Dn，训练生成器网络G，生成多判别器网络无法区分样本来源的数据，在多次迭代优化后，模型趋于收敛，最终获得生成模型；

S3、使用步骤S2中得到的生成模型进行样本数据的扩充，得到数据量充足且与原始目标特征分布相同的高质量目标特征数据集；

S4、设计基于卷积的水声目标识别网络，并使用步骤S3中得到的扩充数据集训练该识别网络，得到高准确率的水声目标识别网络模型。

2.根据权利要求1所述的一种基于多判别生成对抗网络的水声目标识别方法，其特征在于：所述步骤S1的具体步骤为：S11、噪声源分析：根据噪声产生机理的不同分为机械噪声、螺旋桨噪声、水动力噪声和环境噪声；

S12、数据预处理：根据所要提取的目标特征的特点，对水声目标辐射噪声采用巴特沃斯低通滤波器，滤除高频噪声的干扰，同时使用归一化以消除信号数量级之间的影响；

S13、LOFAR特征提取：采用窗函数对预处理的信号进行分帧处理，然后利用傅里叶变换获取每帧信号的频率信息，并通过在时间域上进行堆叠以此获取该目标信号的LOFAR特征，该过程表示为：其中，Sn(n,ω)表示为信号的短时傅里叶变换过程，m为时间，x(m)为在时间m的输入信号，w(n‑m)为在位置n处的窗函数，n为加窗位置，ω为角频率；

窗函数如下式所示：

其中M为窗口长度。

3.根据权利要求1所述的一种基于多判别生成对抗网络的水声目标识别方法，其特征在于：所述步骤S3的具体步骤为：S31、加载步骤S26中训练好的生成模型及权重系数、损失函数配置、优化器配置；

S32、在潜在空间设置一组与随机噪声Z同分布的随机点，产生一个随机的噪声；

S33、将步骤S32噪声输入到步骤S26中训练好的生成模型，设置生成样本的数量以及保存格式路径，生成并保存数据；

S34、对生成的样本数据质量和多样性进行评估，使用Frechet Inception Distance指标，如下式所示：

2 1/2

FID＝||μr‑μg||+Tr(∑r+∑g‑2(∑r∑g) )，其中μr表示真实样本的特征均值；μg表示生成样本的特征均值；∑r表示真实样本特征的协方差矩阵；∑g表示生成样本特征的协方差矩阵；

S35、根据对生成样本指标的评估，若满足条件，则保存生成的样本数据；若不满足，则返回步骤S26优化调整网络参数，以使生成达到需求的样本数据。

4.根据权利要求3所述的一种基于多判别生成对抗网络的水声目标识别方法，其特征在于：所述步骤S4的具体步骤为：S41、基于卷积的水声目标识别网络的隐藏层由卷积层和全连接层构成，在每层卷积层后使用2x2的最大池化层缩减网络参数；

S42、在全连接层中添加dropout层防止网络的过拟合；

S43、利用步骤S33扩充的样本数据，对该识别网络进行训练。