1.一种基于深度学习射频指纹的无人机身份识别方法，其特征在于，所述方法包括以下步骤：步骤1、无人机开机运行，并发射射频信号；

步骤2、天线接收空气中的射频信号，并将其传递给RF前端进行预处理，得到预处理后的射频信号；

步骤3、数字下变频处理，依次包括混频、低通滤波、抽取、生成IQ信号；

步骤4、计算得到IQ信号的幅度数据，幅度数据是接下来代入到网络进行训练或推理的原始数据；

步骤5、将幅度数据按设定固定长度划分，如果采集多个频段的射频信号，也就是同一时刻的射频信号有多个，则将多个一维幅度数据拼接在一起形成样本，即拼接后的幅度数据；

步骤6、按无人机的身份类别进行数据标注，标注采取独热编码，再按训练集测试集比例进行数据集的划分；

步骤7、样本代入到多尺度ViT网络中，整个ViT网络分为三个补丁形状不同的ViT块和一个加权求和层；

将样本按64个为一个批次代入到其中一个ViT块，首先通过卷积层提取划分为小块的特征，并将特征嵌入到高维空间，添加一个分类标记；添加位置编码，不改变维度；最终通过随机失活层进行正则化；

然后进入到Transformer编码器层，每个ViT块中有12个相同的Transformer编码器层，每一层包含自注意力机制和多层感知机MLP，并通过归一化层和残差连接提高训练效果；

将6个自注意力头的输出拼接在一起，与多头注意力层之前的归一化层的输入进行残差连接，通过随机深度层保留残差；再通过归一化层和多层感知机，多层感知机的输出与在此之前的归一化层之前的输入进行残差连接，再经过一个全连接层，输出向量维度与无人机身份类别数一致；

将三个ViT块的输出加权求和，输出向量即可推断无人机身份类别。

2.如权利要求1所述的一种基于深度学习射频指纹的无人机身份识别方法，其特征在于，所述步骤2中，所述RF前端包括天线、低噪声放大器、带通滤波器和前级放大器，无线电信号经过天线采集后，依次通过低噪声放大器、带通滤波器和前级放大器进行信号处理。

3.如权利要求1或2所述的一种基于深度学习射频指纹的无人机身份识别方法，其特征在于，所述步骤3中，混频是将预处理的射频信号与局部振荡器LO信号进行混频，以生成中频信号IF；低通滤波移除混频后产生的高频分量，只保留目标频段的低频分量；抽取是降低信号的采样率以减少数据量，同时保留主要的信息内容；生成IQ信号是指通过数字信号处理器DSP进行信号解调，分别提取信号的同相I和正交Q分量。

4.如权利要求1或2所述的一种基于深度学习射频指纹的无人机身份识别方法，其特征在于，所述步骤7中，自注意力机制有6个头学习不同特征，在每一个头中，已分块的序列使用三个不同的线性投影映射为查询Q、键K 和值V 向量，公式为，；

其中，WQ, WK, WV为权重矩阵，X为分块嵌入后的矩阵；

通过点积计算查询Q和键K之间的相似性，得到注意力得分矩阵 ，公式为，

；

其中，dk是投影维度，Softmax将括号中的矩阵的每一行的数值转换为概率分布，使得每一行的数值和为1，Softmax公式为，；

其中，[z1,z2,…,zn]为矩阵某一行的所有数值，zi表示某一行第i个数值，[y1,y2,…,yn]为Softmax转化后的概率分布，yi表示第i个概率值；

将注意力得分矩阵 与值向量V相乘，得到每个位置的自注意力输

出 ，公式为，

。

5.如权利要求4所述的一种基于深度学习射频指纹的无人机身份识别方法，其特征在于，在多尺度ViT网络的训练过程中，优化器为Adam，损失函数为分类交叉熵损失，公式为，；

其中，N是类别的数量，xi是该样本对应独热编码形式的标签中的代表不同无人机类别的分量，正确的类别位置下的分量xi为1，其余位置xi为0， 是模型预测的概率分布，即通过 Softmax 函数得到的每个类别的概率，log是对数函数，衡量指标是AUC和分类准确度。

6.如权利要求1或2所述的一种基于深度学习射频指纹的无人机身份识别方法，其特征在于，所述步骤7中，所述多层感知机的第一层输出维度为1024，第二层输出维度与输出矩阵的最后一维一致，激活函数类型为GELU，丢弃率为0。