1.一种基于GBDT模型的K分布杂波参数估计方法，其特征在于，包括以下步骤：（1）获取海杂波序列：假设雷达接收到N个海杂波序列，记为 ，对海杂波序列取模，获得海杂波幅度序列 ；

（2）提取特征：根据步骤（1）中的海杂波幅度序列，计算第l阶的样本矩 ；提取4个矩比值，构成矩特征 ；将海杂波幅度序列从小到大排序，计算第p阶的样本分位点 ；提取9个分位点比值，构成分位点特征 ；

（3）构建特征向量：联合步骤（2）中的矩特征和分位点特征，构建13维度的特征向量 =，T表示转置；

（4）估计形状参数： 设置决策树的数目M=500，每棵决策树的深度D=7，将所有决策树级联，搭建GBDT的模型；仿真产生不同形状参数下的K分布杂波序列；设置形状参数v从0.1步长遍历0.1到20的取值范围；对于给定的 值，产生相应服从K分布的N=10000个序列，并按照步骤（3）计算特征向量，得到1个样本，记为{ }；考虑到小形状参数下杂波非高斯强，当v≤1.5时，每个形状参数产生8000个样本；当v＞1.6时，每个形状参数产生150个样本；最后，将所有的样本组成训练数据集 ；将所述 作为输入，对搭建的GBDT模型进行训练学习，迭代更新后获得GBDT的最优参数 ；将步骤（3）中的特征向量 作为输入，进入具有最优参数的GBDT模型中，输出形状参数的估计值 ， ；

为获得的GBDT的最优参数；

（5）估计尺度参数：根据K分布的概率密度函数，计算K分布累积概率密度函数：其中，表示海杂波幅度变量，v是形状参数，b是尺度参数， 为伽马函数， 为v阶第二类修正贝塞尔函数；

令 带入 获得一个依赖于形状参数的特定 的分位点值 :将步骤（4）中形状参数估计值 带入到 中，得到特定的分位点，确定尺度参数估计值为： ； 为特定 的估计值；

（6）计算KSD值：结合海杂波幅度序列和获得的参数估计值，计算Kolmogorov‑Smirnov距离，即KSD，衡量参数估计的精准度。

2.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法，其特征在于，所述步骤（1）具体为：（1.1）假设雷达接收到N个海杂波序列，记为 ，并将该序列建模为复合高斯模型；

（1.2）根据海杂波序列，计算海杂波幅度序列 ，其中 表示取复数的模；根据复合高斯模型，海杂波幅度序列服从K分布，其概率密度函数为：其中，表示海杂波幅度变量，v是形状参数，b是尺度参数， 为伽马函数， 为 阶第二类修正贝塞尔函数。

3.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法，其特征在于，所述步骤（2）具体为：（2.1）根据步骤（1）中的第i个海杂波幅度序列 ，计算第l阶的样本矩 ：当海杂波序列样本数目N趋向于无穷时，样本矩趋向于理论矩；然后，提取4个矩比值，构成矩特征 ：其中， ， ， ， ， 分别表示0.5阶矩，1阶矩，2阶矩，3阶矩，4阶矩；

（2.2）将步骤（1）中的海杂波幅度序列从小到大排序，重新记为 ，计算第p个样本分位点 ：其中，[]表示取整数； 表示N 个样本数；当N趋向于无穷时，样本分位点趋向于理论分位点；然后，提取9个分位点比值，构成分位点特征 ：由此证明，矩比值和分位点比值都独立于尺度参数，只与形状参数有关。

4.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法，其特征在于，所述步骤（3）具体为：根据步骤（2）中提取的特征，联合矩特征和分位点特征，构建一个13维度的特征向量：=

其中，T表示转置。

5.根据权利要求1所述的一种基于GBDT模型的K分布杂波参数估计方法，其特征在于，所述步骤（6）具体为：结合海杂波幅度序列和获得的参数估计值，计算Kolmogorov‑Smirnov距离，即KSD：其中， 为真实的累积分布函数，能够由经验累积分布函数代替；KSD值越小，表明参数估计的精准度越高。

6.一种计算机存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1‑5中任一项所述的一种基于GBDT模型的K分布杂波参数估计方法。

7.一种计算机设备，包括储存器、处理器及存储在存储器上并在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1‑5中任一项所述的一种基于GBDT模型的K分布杂波参数估计方法。