1.一种基于深度学习网络的干扰知识库构建方法，其特征在于：包括以下步骤：S1：分析干扰信号在复杂场景中的特点，通信终端设备周围环境中不同种类的干扰信号给出不同的干扰抑制策略；

S2：构建干扰知识库离线训练模块：基于场景分析，利用原始干扰数据来建立初始知识库并训练深度学习网络，得到具有在线识别能力的干扰识别模型；

S3：构建干扰知识库在线学习模块：将实时采集的干扰数据经模块识别后所得到的特征数据集与初始数据库进行匹配，若为新的数据集，则进行在线更新知识库，即得到具备在线学习能力的干扰知识库构建模块；

所述步骤S3具体包括：

S31：将从外界实时采集的干扰数据进行数字处理，得到清洗后的有效实测数据集；

S32：将该数据集导入干扰检测模块进行检测，若不存在干扰则忽略；反之给出干扰的基本信息；

S33：将数据集进行预处理并将其输入到特征提取模块提取对各维度特征集；

S34：将特征集输入到DNN模块进行识别，输出该干扰的类型参数；

S35：将其特征参数信息与知识库进行匹配，若知识库中已存在，则忽略，反之，则将其更新到知识库中，实现知识库的在线学习更新功能；

所述干扰检测模块的流程为：

将原始数据集导入检测模块，首先进行干扰信号存在性检查，接着进行基于能量检测算法的干扰频谱分析，得到基本的干扰参数信息，步骤如下：(1)DSP中接收到数据位信号频谱的模，首先对接收到频谱进行平方，并按从小到大进行排序；

(2)选取前面最小的500个频谱值进行第一次干扰检测门限设定，门限因子c＝2.7，即(3)用所有的频谱值与T1进行比较，所有小于T1的频谱值作为基准谱线进行第二次检测门限设定，第二次检测门限因子为2.7，最终门限 其中 总数为M；

(4)所有的频谱值与最终门限T进行比较，如果 频谱位置输出1，表示收到干扰，否则输出0，表示没有受到干扰。

2.根据权利要求1所述的基于深度学习网络的干扰知识库构建方法，其特征在于：步骤S1中所述通信终端设备周围环境中干扰信号包括以下种类：干扰中心频率、干扰功率、干扰周期。

3.根据权利要求2所述的基于深度学习网络的干扰知识库构建方法，其特征在于：步骤S2所述构建干扰知识库离线训练模块，具体包括以下步骤：S21：基于场景分析，构建单类、多类混合干扰原始数据生成模块；

S22：构建基于原始数据提取3域10维特征向量数据集的特征提取模块；

S23：构建基于深度学习网络的干扰识别模块。

4.根据权利要求3所述的基于深度学习网络的干扰知识库构建方法，其特征在于：步骤S21所述构建单类、多类混合干扰原始数据生成模块包括：根据场景分析，得到不同干扰信号的分布特点并用其生成初始数据集，具体包括以下步骤：S211：设置生成各干扰信号的输入参数；

S212：然后，基于已知的输入参数，通过加入不同干燥比下的噪声，调用各干扰信号生成函数，获取各干扰信号在不同干燥比下的多组时域与频域数据以及其对应的标签数据；

S213：保存获取到的原始信号数据和对应的标签数据。

5.根据权利要求3所述的基于深度学习网络的干扰知识库构建方法，其特征在于：步骤S22所述构建基于原始数据提取3域10维特征向量数据集的特征提取模块包括：根据生成的不同JNR下各干扰信号的原始数据集中，分别从时域、频域以及变换域提取干扰特征参数来表征干扰信号；具体包括以下步骤：S221：获得生成的各干扰信号的原始数据，并设置生成多种多域干扰特征的输入参数；

S222：通过加入不同JNR的噪声，来获得各干扰信号在不同JNR下的多组干扰特征参数数据以及对应的特征标签数据；

S223：保存获得的干扰特征参数数据和对应的特征标签数据。

6.根据权利要求3所述的基于深度学习网络的干扰知识库构建方法，其特征在于：步骤S23所述构建基于深度学习网络的干扰识别模块包括：S231：初始化模块所需的参数；

S232：将数据集导入到数据获取与batch化处理子模块，得到训练集与测试集；

S233：根据初始化的神经网络参数等构建多层感知网络；

S234：将训练集输入到DNN模型训练子模块得到各层神经节点优化后的DNN模型；

S235：将训练后的模型和测试集输送到DNN模型测试子模块验证模型的识别准确率及其泛化能力；

S236：将通过评估的模型进行封装和所有评估过的模型对比，筛选出性能最佳的模型。