1.Fisher信息矩阵姿态角自适应SAR目标识别方法，其特征在于，包括以下步骤：步骤1，数据准备：SAR目标数据集{Da1,Da2，Da3，…，DaN}等待接收数据，同时进行数据滤波；DaN表示初始姿态角aN下的SAR目标数据集，N为样本个数；

步骤2，模型初始化：利用Pytorch初始化器自动初始化合成孔径雷达自动目标识别SAR‑ATR模型FEWC(·)；

步骤3，预训练模型：令超参数l＝0，超参数λ为已学习数据集Da1与新学习数据集Da2之间的权重因子，在SAR目标数据集序列上通过提取SAR目标特征来训练模型FEWC(·)；

步骤4，计算重要性权重：基于Fisher信息矩阵计算网络参数对SAR目标数据集序列的重要程度；

步骤5，保护参数：模型FEWC(·)根据重要性权重对已训练的SAR目标数据集序列的关键特征进行保护；

步骤6，学习新任务：令l＝g，其中γ为更新后的重要性权重因子，模型FEWC(·)对新姿态角下SAR目标数据学习；

步骤7，重复步骤4～步骤6，面对持续新的SAR图像数据流，每次学习新姿态角下SAR目标数据后都要更新重要性权重；

步骤8，输出y＝FEWC(·)，其中y为类别标签。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：

采用如下公式进行数据滤波：

‑3

f(x)＝10lg[x+10 ]+30

其中x为原始SAR图像，f(x)为对数滤波后的SAR图像。

3.根据权利要求2所述的方法，其特征在于，步骤2包括：雷达经过K次观测任务获取目标所有姿态角下完备数据集 其中Nak为第N个样本在姿态角ak下的样本；设数据集 包含样本个数N＝|D|； 为数据集D中第i个SAR图像样本，W表示图像宽度，H表示图像高度，yi为第i个类别标签；表示实数空间；

模型FEWC(·)以soft‑max层作为输出层，M为模型FEWC(·)网络参数的个数；

输入SAR图像样本xi，FEWC(·)的输出为预测类别的概率分布 满足ps∈[0,1]且ps为第s个类别的概率，S为预测目标的类别数，则预测SAR目标类别的索引为：C(x)＝argmaxs(F(xi))∈[1,2,…,S]其中C(x)为SAR目标类别的索引，argmax表示取使某个函数值最大的自变量，s是使F(xi)最大的索引，S为预测目标的类别数，F(xi)表示对SAR目标数据集D中第i个SAR图像样本的预测结果。

4.根据权利要求3所述的方法，其特征在于，步骤3包括：采用如下公式从初始姿态角a1下的SAR目标数据集Da1提取SAR目标特征：其中LCE是总损失函数，pi为第i个预测类别的概率分布。

5.根据权利要求4所述的方法，其特征在于，步骤3中，在SAR目标数据集序列上采用最小交叉熵方法训练模型FEWC(·)。

6.根据权利要求5所述的方法，其特征在于，步骤4包括：根据如下公式计算出关于SAR目标数据集Da1的Fisher信息矩阵Ia1，同时用如下公式计算和更新重要性权重：其中， 为Fisher信息矩阵的逆， 为第j个SAR图像样本xj的对数似然函数关于孔径雷达自动目标识别SAR‑ATR模型第i个参数qi的梯度，Na1为SAR目标数据集的样本个数， 为 的近似值，T表示矩阵转置。

7.根据权利要求6所述的方法，其特征在于，步骤5中，采用如下公式对参数进行保护：其中p(θ|Da1)为SAR目标数据集Da1的概率分布， 为Fisher信息矩阵评估模型FEWC(·)的网络参数关于SAR目标数据集 的重要性参数，qa1,i为姿态角a1下的第i个网络参数，为qa1,i的共轭转置， 为正则项。

8.根据权利要求7所述的方法，其特征在于，步骤6包括：令l＝0，采用如下公式将SAR目标数据集 的特征提取到SAR‑ATR模型FEWC(·)的参数空间中：其中L(q)为总损失函数，LCE(q)为在新姿态角a2下SAR目标数据集 上训练模型FEWC(·)的总损失函数， 为正则项。

9.根据权利要求8所述的方法，其特征在于，步骤7包括：在新姿态角a2下SAR目标数据集中，通过步骤3的方法提取SAR目标特征，同时通过步骤4的方法计算出关于数据 的Fisher信息矩阵 令l＝g，通过步骤6的方法将数据 的特征提取到孔径雷达自动目标识别SAR‑ATR模型FEWC(·)的参数空间中。