1.基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述杂波识别与分类方法包括以下步骤：步骤1、提取基数据中的雷达反射率ZH、差分反射率ZDR、相关系数ρHV和差分传播相移率KDP数值数据；

步骤2、将步骤1中的ZH、ZDR、ρHV、KDP数值数据预处理生成数据集；

步骤3、构建SE‑Res2Net‑101模型；

步骤4、将训练集数据输入到SE‑Res2Net‑101中进行模型训练；

步骤5、将测试数据集输入到训练好的模型中，通过模型给出的预测概率来进行杂波判断。

2.根据权利要求1所述的基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述步骤2中数值数据预处理，预处理包括以下步骤：S1、对读出来的雷达反射率ZH、差分反射率ZDR、相关系数ρHV、差分传播相移率KDP进行维度上的验证，并删除不符合前述数据维度的文件，其中N0H、N0C、N0K、N0X的维度均为360*

1200，N0R的维度为360*230；

S2、对N0R读取出来的数据维度进行处理；

S3、提取需要的杂波；

S4、对N0H数据进行拆分生成30*30维度的矩阵，将N0H最多出现雷达回波分类作为标签，并统计该分类在30*30矩阵出现的次数，出现次数少于百分之二点五的矩阵直接抛弃；

S5、对N0X、N0C、N0K、N0R数据只需要取N0H中所提取到的维度，并将不是对应杂波标签的N0X、N0C、N0K、N0R的值取成当前矩阵所对应标签的平均值来填充；

S6、对上述的N0X、N0C、N0K、N0R、N0H提取出来的有效数据进行结构化存储且将对应的文件名分别以文本格式记录，对于杂波，将N0H文件提取出来的数值是作为标签，对于非杂波，所有的标签均记为0；

S7、从对应的标签的文本文件中读取对应的N0C、N0K、N0R、N0X数据，并以第一维度进行叠加，得到由4个30*30的矩阵叠加成一个120*30的矩阵，矩阵中包含了训练数据所涉及到的数据；

S8、将S7提供的数据中将按7:2:1的比例划分为训练集，使用python动态生成Bash脚本，使用批处理进行数据的划分。

3.根据权利要求1所述的基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述构建SE‑Res2Net‑101模型具体为：

1)SE‑Res2Net‑101在先前的ResNet基础上进行改进，通过堆叠层数实现比大卷积核扩大感受野；

2)构建Res2Net_module，ResNet中的Bottleneck block内部的3×3的卷积核改进成多尺度非同层级的卷积组合，且不同层级的layer进行残差设置防止出现训练使梯度弥散和梯度爆炸情况，这种结构称为Res2Net_module；

3)构建SE_Res2Net_module，由于使用ZH、ZDR、ρHV、KDP四种变量在判断杂波时需要进行权重考虑，在每一个Res2Net_module后加入压缩激发注意力模块se_module，让模型自我学习四种变量的权重关系度，使得模型判断杂波时更为准确，将Res2Net_module和se_module两个模块结合称为SE_Res2Net_module；

4)初始化SE‑Res2Net‑101神经网络模型训练参数，设置输入为batch_size为256、通道数为4、长和宽分别为30和30的矩阵，即输入维度为256*4*30*30；输出为256*杂波分类个数，其中256代表batch_size,学习率lr为0.001；隐藏层的卷积核大小分为二种，分别为1*

1,、3*3，给出SE_Res2Net_module重复次数为[3,4,23,3]，构建出101层数，并将网络最后的out features设置为杂波的类型个数。

4.根据权利要求3所述的基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述构建Res2Net_module在Res2Net_module第一个1×1的卷积层之后，将input划分到N个子特征集，定义为Xi,i∈1,2,3,…,N，每个通道输入特征为 且通道特征维度都为3*3；在N个输入子集的进行卷积叠加的模块中使用残差结构来防止由于叠加层数过多而导致出现训练使梯度弥散和梯度爆炸情况；除了X1以外，所有的N‑1个子特征集都包含3*3的卷积核Ki()，经过卷积核Ki()的Xi为yi＝Ki(Xi)，Xi和yi‑1相加给yi作为输入，具体公式如下：

5.根据权利要求3所述的基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述se_module包括压缩、激发和缩放；

所述压缩操作：沿着空间维度上执行特征压缩，将每个二维的特征通道转换为实数，实数在一定程度上具有全局接受域，且input feature的维度和output feature维度相互匹配；压缩操作使channel feature上获取到的全局特征分布情况而且让最开头的ResNet Block获取到全局的特征，压缩操作关键公式如下：W′×H′×C′ W×H×C

X→U,X∈R ,U∈R

其中，第一个公式表示由X转换成U，通过卷积来改变channel的个数，vc表示第c个sConvolutional kernel，而x表示从第s‑1个卷积输出的值，将其与vc相乘则可以得到所述激发操作：通过W参数来为每个channel feature生成对应的Weight，其中参数被自动学习用来显式构建channel feature间的关系，激发操作关键公式如下：s1＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))

其中，W1z表示W1与z做点乘操作，是全连接层的操作，W1的维度是C/S*C,C/S*C中的S是缩放的倍数，根据训练的样本选择S为8，而缩放的目的是通过缩减通道数目来减少运算量；

之后将得到的结果经过ReLU激活函数然后在与W2相乘在进行全连接层的运算，最后在通过Sigmoid激活函数将得到的结果限定在(0,1)区间之内，从而得到s1，其中s1的维度为1*1*C，C表示通道的数目；

所述缩放：将激发输出的Weight看作是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到经过Res2Net_module之后所得到的输出特征上，完成在通道维度上对原始特征的重标定，缩放操作关键公式如下：其中，scale操作就是channel‑wise multiplication操作，将W×H×C的uc与1×1×C的sc做矩阵点乘操作，sc为每个通道所对应的权重；

使用全局平均方法实现压缩操作，随后构建两个全连接层组成Bottleneck架构去构建整体channel之间的关系，并输出和input feature相同个数的权重；将input feature降低到之前的1/8，之后使用ReLu激活函数后再通过全连接层将降低的1/8的维度恢复到原来的维度；然后使用Sigmoid激活函数获得权重在[0,1]区间的值，最后通过Scale操作将前面通过激活函数的值加权到每个channel feature上。

6.根据权利要求3所述的基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述训练SE‑Res2Net‑101具体包括以下步骤：S1、使用步骤2中划分出来的训练集数据对SE‑Res2Net‑101进行训练，将数据在第一维度进行切分，以30的大小进行切分可以得到4个30*30的矩阵，将四个矩阵以channel层叠加输入到SE‑Res2Net‑101；

S2、损失函数选择CrossEntropy损失函数，CrossEntropy损失函数的公式为：其中，yi,k表示第i个标本的真实标签k，共有k个标签值和N个样本，pi,k表示第i个向本预测为第k个标签值的概率；

S3、将epoch设置为600，对于每次epoch计算出当前的accuracy，如果accuracy高于最高值，则将本次epoch训练出来的模型进行保存，使用SGD优化器对W参数进行优化，并搭配Momentum机制使得梯度变得更加平滑从而尽量保证能够找到全局最优解，其中，SGD关键公式如下：其中，θ代表特征的权重参数，η代表学习率， 代表着当前梯度

下降的方向所需要移动的步幅；

所述Momentum关键公式如下：

θ＝θ‑vt

γ代表学习率，vt代表第t次移动的动量。

7.根据权利要求1所述的基于SE‑Res2Net‑101的多普勒雷达杂波识别与分类方法，其特征在于，所述步骤5使用SE‑Res2Net‑101测试集进行测试具体为：(1)将测试数据在第一维度进行切分，以30的大小进行切分得到4个30*30的矩阵，将4个矩阵以channel层叠加输入到SE‑Res2Net‑101；

(2)取出分类预估值中的最大值，判断得到的预估值所属分类，如是0标签代表非杂波，其他标签代表它们所对应的杂波分类。