1.低信噪比雷达辐射源信号脉内识别装置，其特征在于：所述雷达辐射源信号脉内识别装置包括数据分块模块（1）；所述数据分块模块（1）后端设置有深度神经网络模块（2）；所述深度神经网络模块（2）后端设置有正向推理结果保存模块（3）；所述正向推理结果保存模块（3）后端设置有融合推理模块（4）；所述融合推理模块（4）后端设置有反馈训练接入模块（5）；所述反馈训练接入模块（5）后端连接在深度神经网络模块（2）上；所述深度神经网络模块（2）后端还设置有分类模型参数保存模块（6）；

所述的低信噪比雷达辐射源信号脉内识别装置的训练方法，包括如下训练步骤：

S1，对带有标签的雷达辐射源信号时频数据作为输入数据输入到数据分块模块（1）中，得到分块的训练数据；

S2，将分块的训练数据输入到深度神经网络模块（2）中，通过深度神经网络模块（2）中的网络结构和网络参数的正向推理运算，得到正向推理运算结果；

S3，将每类输入数据的正向推理运算结果分批保存至正向推理结果保存模块（3）中，并将每批结果在每一维度上取平均值进行保存；

S4，将保存的每类分批正向推理结果平均值逐个输入到融合推理模块（4）中，将正向推理结果平均值与输入数据的标签结果进行融合推理，得到融合推理结果并进行保存；

S5，将融合推理结果逐个输入到反馈训练接入模块（5）中，将融合推理结果与正向推理结果的平均值做差，得到逐个的差值向量，将差值向量代入到反馈训练接入模块（5）中存储的深度神经网络模型中，进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到深度神经网络模型新的网络模型参数；

S6，将反馈训练接入模块（5）反向推理得到的深度神经网络模型新的网络模型参数输入到深度神经网络模块（2）中进行保存更新；

S7，迭代步骤S2至S6，直至100次，将最后训练好的深度神经网络模型的网络模型参数，发送至分类模型参数保存模块（6）中进行保存；

所述步骤S4中融合推理模块（4）的具体运算方法为：

S4a，将正向推理结果保存模块（3）保存的相同标签结果随机抽取的10个训练输入数据的正向推理结果的平均值输入到融合推理模块（4）中；

S4b，将正向推理结果平均值与保存的输入数据的标签结果进行基于DSmT框架中PCR5组合规则的融合推理，得到融合推理结果进行保存，并保存与分组的10个训练输入数据的对应关系；

所述步骤S5中反馈训练接入模块（5）存储的深度神经网络模型的随机初始参数为：卷积神经网络卷积层1的16个不同卷积核的随机初始参数、卷积神经网络卷积层2的32个不同卷积核的随机初始参数、卷积神经网络卷积层3的16个不同卷积核的随机初始参数、卷积神经网络池化层3的各个结点与卷积神经网络隐藏层100个结点之间的随机初始全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层2个结点之间的随机初始全连接参数；

所述步骤S5中反馈训练接入模块（5）的具体运算方法为：

S5a, 将融合推理模块（4）保存的分组的10个训练输入数据的融合推理结果与正向推理结果保存模块（3）保存的同样数据的正向推理结果的平均值进行差值计算，得到每个分组的10个数据对应的差值向量；

S5b，将每个分组10个数据对应的差值向量输入到反馈训练接入模块（5）保存的深度神经网络模型中，进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，即按照卷积神经网络输出层到卷积神经网络隐藏层、卷积神经网络隐藏层到卷积神经网络池化层3、卷积神经网络池化层3到卷积神经网络卷积层3、卷积神经网络卷积层3到卷积神经网络池化层2、卷积神经网络池化层2到卷积神经网络卷积层2、卷积神经网络卷积层2到卷积神经网络池化层1、卷积神经网络池化层1到卷积神经网络卷积层1这样的顺序进行卷积神经网络对应的各层之间的反向推理算法的逐层反向推理，得到新的深度神经网络模型参数，并保存更新；

S5c，再随机选取某个分组10个输入训练数据，进行步骤S5a至S5b；

S5d，迭代步骤S5c直至100次，得到训练好的深度神经网络模型参数，发送至分类模型参数保存模块（6）中进行保存。

2.根据权利要求1所述的低信噪比雷达辐射源信号脉内识别装置，其特征在于：所述步骤S1中数据分块模块（1）对带有标签的输入数据进行归一化数据分块处理，其具体的处理方法包括：S1a，将各种型号的雷达辐射源信号时频输入数据进行二维数据尺寸计算，由于输入数据均为离散化的二维数据，计算各种二维数据的行列数，保存各种型号输入数据最大的行数和列数；

S1b，对每一个类型的输入数据均按照保存的最大行数和列数进行补齐，即如果某一种类型输入数据小于保存的最长的二维数据的行和列的个数，则将相差的行和列的个数取0在该种输入数据的行和列的前部补齐，然后在取0的部分添加高斯白噪声，高斯白噪声的均值为0，标准差为信号的平均功率；通过以上步骤，即可得到行数和列数相等的不同类型的雷达辐射源信号时频输入数据。

3.根据权利要求1所述的低信噪比雷达辐射源信号脉内识别装置，其特征在于：所述步骤S2中深度神经网络模块（2）的正向推理运算具体模型设计为：对应数据分块模块（1）的数据输入，将输入的数据接入卷积神经网络卷积池化层三层、卷积神经网络隐藏层一层、卷积神经网络输出层一层。

4.根据权利要求1所述的低信噪比雷达辐射源信号脉内识别装置，其特征在于：所述步骤S3中正向推理结果保存模块（3）对正向推理运算结果分批保存的具体步骤为：S3a，正向推理结果保存模块（3）将每个训练输入数据的标签结果进行保存；

S3b，从相同标签结果的训练输入数据中随机抽取10个数据，将每个训练输入数据代入到深度神经网络模块（2）中，进行正向推理计算，将得到的10个训练输入数据的N维向量正向推理结果在每一维度上取平均值，N代表雷达辐射源类型数量；

S3c，将平均值作为随机抽取的10个数据的正向推理结果进行保存，并保存与10个训练输入数据的对应关系。

5.根据权利要求1所述的低信噪比雷达辐射源信号脉内识别装置，其特征在于：所述步骤S7中分类模型参数保存模块（6）保存的训练好的深度神经网络模型的网络模型参数包括：卷积神经网络卷积层1的16个不同卷积核的训练好的参数、卷积神经网络卷积层2的32个不同卷积核的训练好的参数、卷积神经网络卷积层3的16个不同卷积核的训练好的参数、卷积神经网络池化层3的各个结点与卷积神经网络隐藏层100个结点之间的训练好的全连接参数、卷积神经网络隐藏层100个结点与卷积神经网络输出层代表雷达辐射源类型数量的N个结点之间的训练好的全连接参数。

6.如权利要求1所述的低信噪比雷达辐射源信号脉内识别装置的识别方法，包括如下识别步骤：

C1，将雷达辐射源信号数据的时频数据的二维数据代入数据分块模块（1）中，得到了行数和列数均为最大行数和列数的待识别雷达辐射源信号时频输入数据；

C2，将行数和列数为最大行数和列数的待识别雷达辐射源信号时频输入数据由左向右依次代入到卷积神经网络卷积层1、卷积神经网络池化层1、卷积神经网络卷积层2、卷积神经网络池化层2、卷积神经网络卷积层3、卷积神经网络池化层3、卷积神经网络隐藏层、卷积神经网络输出层中，按照分类模型参数保存模块（6）保存的模型参数进行计算，计算得到了卷积神经网络输出层的代表雷达辐射源类型数量的N维向量结果；

C3，将代表雷达辐射源类型数量的N维向量结果进行比较，如果代表某种雷达辐射源信号类型的值为向量中的最大值，则输出该信号为该种类型的雷达辐射源信号。