1.一种基于零次学习的信号开集识别方法，其特征在于，包括以下步骤：

(1)使用类别已知的信号样本集训练LSTM模型，得到用于信号开集识别的目标模型f；

(2)将类别已知的信号样本集输入至训练完成的目标模型f，计算类别已知的信号样本集每一类的特征均值向量以及相似度阈值，得到特征均值向量集合和相似度阈值集合；

(3)将待识别信号样本集中任意一个信号样本xt输入至训练完成的目标模型f，计算得到该信号样本xt的第三样本特征；并根据步骤(2)得到的特征均值向量集合和相似度阈值集合，求得该信号样本xt的最大第三相似度，从相似度阈值集合取出与信号样本xt的最大第三相似度类别一致的相似度阈值并进行比较，判断该信号样本xt是否为类别已知；

若判断该信号样本xt是类别已知，则下一个信号样本xt+1重复上述步骤；

若判断该信号样本xt是类别未知，则在已知的类别上新增一个类别，并更新相似度阈值集合和特征均值向量集合；下一个信号样本xt+1进行步骤(4)；

(4)下一个信号样本xt+1根据步骤(3)更新后的相似度阈值集合以及更新后的特征均值向量集合，重复步骤(3)，得到该信号样本xt+1的最大第三相似度，从更新后的相似度阈值集合取出与信号样本xt+1的最大第三相似度类别一致的相似度阈值并进行比较，判断该信号样本xt+1是否为类别已知；

若判断该信号样本xt+1属于类别已知且不属于新增的类别，则下一个信号样本xt+2重复上述步骤；

若判断该信号样本xt+1属于类别已知且属于新增的类别，则更新特征均值向量集合；下一个信号样本xt+2进行步骤(5)；

若判断该信号样本xt+1属于类别未知，则在已知的类别上再新增一个类别，并更新相似度阈值集合和特征均值向量集合；下一个信号样本xt+2进行步骤(5)；

(5)下一个信号样本xt+2根据步骤(4)更新后的相似度阈值集合以及更新后的特征均值向量集合，重复步骤(4)，直到所述待识别信号样本集中所有信号样本都被预测了相应的类别。

2.根据权利要求1所述的一种基于零次学习的信号开集识别方法，其特征在于，所述步骤(1)具体包括以下子步骤：(1.1)获取类别已知的信号样本集Dtrain：Dtrain＝{x1,1,x1,2,…,xj,i,…,xn,N}，j＝1,2…,j,…n，i＝1,2…,i,…N，n表示类别已知的信号样本集Dtrain包括n类信号样本，N表示类别已知的信号样本集Dtrain每类包括N个信号样本；xj,i表示类别已知的信号样本集Dtrain中属于第j类的第i条的信号样本；

(1.2)使用类别已知的信号样本集Dtrain训练LSTM模型：设置训练的超参数：LSTM模型的训练轮数为epoch，批处理样本数为M，学习率为η；LSTM模型的损失函数为其中，ej,i表示通过LSTM模型得到的信号样本xj,i的第一样本特征；Sj,i,k表示样本特征ej,i与信号中心ck的第一相似度；Sj,i,j表示样本特征ej,i与信号中心cj的第一相似度；

将信号样本xj,i输入至LSTM模型，LSTM模型的输出定义为ψ(xj,i)，对LSTM模型提取的样本特征进行L2归一化，得到信号样本xj,i的第一样本特征ej,i：对每一类的信号样本的第一样本特征求平均，将平均值作为该类信号样本的信号中心；对于任意一类的信号中心的计算公式如下：其中，ck表示第k类的信号样本的信号中心，k＝1,2…,k,…n；

随后计算信号样本xj,i的第一样本特征eji与任意一个信号中心ck的第一相似度，得到相似度Sj,i,k，所述Sj,i,k的计算公式如下：其中， 和b是可学习参数，

(1.3)训练结束后，得到用于信号开集识别的目标模型f。

3.根据权利要求2所述的一种基于零次学习的信号开集识别方法，其特征在于，所述步骤(2)具体包括以下子步骤：(2.1)将类别已知的信号样本集Dtrain中的信号样本xj,i输入至目标模型f，目标模型f的输出定义为f(xj,i)，对目标模型f提取的样本特征进行L2归一化，得到信号样本xj,i的第二样本特征e′j,i：对第k类的信号样本的第二样本特征求平均，将平均值作为第k类信号样本的特征均值向量Ck，计算公式如下：重复上述步骤，计算类别已知的信号样本集Dtrain的每一类的特征均值向量，得到特征均值向量集合C：C＝{C1,C2,…,Ck,…,Cn}；其中，Ck表示第k类的特征均值向量；

(2.2)设定n类的相似度集合：S1、S2…Sk…Sn，其中，Sk表示第k类的相似度集合；每一类的相似度集合初始化为空；

对于类别已知的信号样本集Dtrain中任意一个信号样本xj,i，计算该信号的第二样本特征e′j,i与任意一个特征均值向量Ck的第二相似度S′j,i,k，所述第二相似度S′j,i,k的计算公式如下：其中， 和b2是可学习参数，

重复上述步骤，得到信号样本xj,i每一类的第二相似度：S′j,i,1、S′j,i,2…S′j,i,k…S′j,i,n，其中，S′j,i,k表示信号样本xj,i的第k类的第二相似度；将S′j,i,1、S′j,i,2…S′j,i,k…S′j，i,n降序排列，得到最大值为S′j,i,K，将S′j,i,K作为信号样本xj,i的最大第二相似度，K＝1,

2,…,K,…,n；若K＝j，更新第j类的相似度集合Sj：将信号样本xj,i的最大第二相似度S′j,i,K记录到第j类的相似度集合Sj中，若K≠j，则不更新第j类的相似度集合Sj；

(2.3)将类别已知的信号样本集Dtrain中所有信号样本重复步骤(2.2)，更新第一类的相似度集合S1、第一类的相似度集合S2…第k类的相似度集合Sk…以及第n类的相似度集合Sn；

(2.4)计算第k类的相似度集合Sk的最大第二相似度数量为hk，并对第k类的相似度集合Sk进行降序排列，删去末尾5％hk的最大第二相似度得到最小值limit_Sk，将limit_Sk作为类别已知的信号样本集Dtrain第k类的相似度阈值；

(2.5)重复步骤(2.4)，计算类别已知的信号样本集Dtrain每一类的相似度阈值，得到相似度阈值集合S：S＝{limit_S1,limit_S2,…,limit_Sk,…,limit_Sn}；其中，limit_Sk表示第k类的相似度阈值。

4.根据权利要求3所述的一种基于零次学习的信号开集识别方法，其特征在于，所述步骤(3)具体包括以下子步骤：(3.1)将待识别信号样本集中任意一个信号样本xt输入至输入至目标模型f，得到信号样本xt的第三样本特征et： 所述信号样本xt表示待识别信号样本集中第t个信号样本，所述待识别信号样本集包括n类类别已知的信号样本和m类类别未知的信号样本；

(3.2)随后计算信号样本xt的第三样本特征et与特征均值向量集合C内的每一个特征均值向量的第三相似度：St,1、St,2…St,k…St,n；信号样本xt的第三样本特征et与第k个特征均值向量Ck的第三相似度St,k的计算公式如下：对St,1、St,2…St,k…St,n降序排列，得到最大值为St,H，将St,H作为信号样本xt的最大第三相似度，H＝1,2,…,H,…,n；从相似度阈值集合中取第H类的相似度阈值limit_SH；

若St,H＞limit_SH，则信号样本xt被预测为第H类信号；若St,H＜limit_SH，则信号样本xt被预测为开集信号样本；

当信号样本xt被预测为第H类信号，重复上述步骤来预测下一个信号样本xt+1的类别；

当信号样本xt被预测为开集信号样本，在已知的n类上新增一个类别：n+1，将信号样本xt预测为第n+1类；更新相似度阈值集合S：新增第n+1类的相似度阈值limit_Sn+1以及设置limit_Sn+1＝0.75；并更新特征均值向量集合C：新增第n+1类的特征均值向量Cn+1以及设置Cn+1＝et；随后进行步骤(4)来预测下一个信号样本xt+1的类别。

5.根据权利要求4所述的一种基于零次学习的信号开集识别方法，其特征在于，所述步骤(4)具体为：下一个信号样本xt+1根据步骤(3.2)更新后的相似度阈值集合S以及更新后的特征均值向量集合C，重复步骤(3.2)，得到信号样本xt+1的最大第三相似度St+1,H′，H′＝1,

2,…,H′,…,n+1；并从更新后的相似度阈值集合S中取第H’类的的相似度阈值limit_SH′；

若St,H′＞limit_SH′，则信号样本xt+1被预测为第H’类信号；若St,H′＜limit_SH′，则信号样本xt+1被预测为开集信号样本；

当信号样本xt+1被预测为第H’类信号并且H′≤n，重复上述步骤来预测下一个信号样本xt+2的类别；

当信号样本xt+1被预测为第H’类信号并且H′＞n，更新特征均值向量集合C：求得信号样本xt+1的第三样本特征et，并将第三样本特征et和第H’类的特征均值向量CH′的平均值作为新的特征均值向量CH′；随后进行步骤(5)来预测下一个信号样本xt+2的类别；

当信号样本xt+1被预测为开集信号样本，在已知的n+1类上新增一个类别：n+2，将信号样本xt+1预测为第n+2类；更新相似度阈值集合S：新增第n+2类的相似度阈值limit_Sn+2以及设置limit_Sn+2＝0.75；并更新特征均值向量集合C：新增第n+2类的特征均值向量Cn+2以及设置Cn+1＝et+1；随后进行步骤(5)来预测下一个信号样本xt+2的类别。