1.一种基于深度学习的无人机识别分类方法，其特征在于，包括如下步骤：S1、获取无人机的一维毫米波数据，使用数据转换方法将一维毫米波数据转换为二维图像，并划分为训练集、验证机和测试集；

步骤1‑1、假设有一组向量V＝[v1,v2,...,vn]，格拉姆矩阵是来自V的每一对向量的内积矩阵，矩阵中的每个元素＜vi,vj＞是向量vi和vj之间的向量乘积：步骤1‑2、使用最小‑最大定标器,将原始时间序列X数据缩放到[‑1,1]；

步骤1‑3、将得到的数据进行极坐标系变换，得到每一个数据点对应的角度和半径；

步骤1‑4、利用和角关系和差角关系，得到对应的GASF图：GASF＝[cos(φi+φj)]

S2、搭建基于ResNet18的卷积神经网络模型，

S2‑1、以ResNet18为主干网络，通过并行的方式将注意力机制融合到ResNet18网络中；

S2‑2、根据数据集的类别数修改主干网络中全连接层神经元连接个数；

所述注意力机制为scSE模块；所述scSE模块包括卷积层、Sigmoid层、ReLU层、平均池化层，所述平均池化层后添加了一个全局连接层；

所述基于ResNet18的卷积神经网络模型由预处理模块、特征提取模块和分类器模块组成；

所述预处理模块依次包括卷积层、批标准化层、ReLU层和最大池化层，从而将输入的图像调整为与模型的输入相匹配的尺寸大小和归一化像素值；

特征提取模块包括四个阶段，每个阶段分别由两个残差模块组成，第三和第四阶段中的第二个残差模块连接有scSE模块，用于特征提取；

分类器模块依次包括平均池化层、全连接层、ReLU层、全连接层、Softmax层；

S3、在训练集上按照设置好的超参数进行模型的训练，训练结束后得到能够准确实现无人机分类的网络模型；

S4、应用无人机分类网络模型进行无人机分类。

2.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤S3中，基于ResNet18的卷积神经网络模型的训练方法为：设置迭代次数、学习速率、批大小、优化器四个超参数的初始值，所述无人机分类网络模型在四个超参数下进行训练，直至在训练集上的识别准确率不再提高，并且训练集和验证集的损失接近且趋向于零。

3.根据权利要求2所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤S3中，基于ResNet18的卷积神经网络模型训练时，通过使用交叉熵损失函数进行训练，损失函数的表达式为：其中n为类别数，yi为真实值，yi′为网络预测值。

4.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述步骤S4中，进行分类的具体方法为：S4‑1、图像预处理：将输入的图像调整为与模型的输入相匹配的尺寸大小和归一化像素值；

S4‑2、特征提取：通过卷积层和平均池化层进行特征提取；

S4‑3、分类器进行分类：将提取的特征展平为特征向量，并通过全连接层进行分类，最后使用Softmax函数将输出转化为每个类别的概率分布，Softmax函数表达式如下：其中，zj表示输入向量中第j个元素的原始得分,N表示输入向量的维度，即类别的数量；

e表示自然对数的底数。

5.根据权利要求1所述的一种基于深度学习的无人机识别分类方法，其特征在于，所述训练集、验证集和测试集按7：2：1的比例进行划分。