1.一种基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述基于全局强化PredRNN的雷达回波图像预测方法包括：获取目标区域的第t‑m时间步至t时间步的雷达回波图像，其中，t为当前时间步，m为正整数；

对各所述雷达回波图像进行预处理，并按照时间顺序将各所述雷达回波图像组合成一个固定长度的雷达回波图像序列；

将所述雷达回波图像序列的每个时间步的雷达回波图像进行分块处理，获得分块后的雷达回波图像序列，所述分块后的雷达回波图像序列中包括每个时间步的雷达回波子图像；

将所述每个时间步的雷达回波子图像按照时间顺序依次输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型进行预测，获得未来第t+1时间步至t+m+1时间步的雷达回波预测图像；

其中，所述雷达回波图像预测模型包括：第一全局强化的ST‑LSTM模块、第二全局强化的ST‑LSTM模块、梯度高速公路模块、第三全局强化的ST‑LSTM模块和第四全局强化的ST‑LSTM模块；

所述第一全局强化的ST‑LSTM模块、所述第二全局强化的ST‑LSTM模块、所述梯度高速公路模块、所述第三全局强化的ST‑LSTM模块和所述第四全局强化的ST‑LSTM模块依次连接。

2.根据权利要求1所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述将所述每个时间步的雷达回波子图像按照时间顺序依次输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型进行预测，获得未来第t+1时间步至t+m+1时间步的雷达回波预测图像，包括：将第t‑m时间步的雷达回波子图像输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型，输出第t‑m+1时间步的雷达回波预测子图像；

将第t‑m+1时间步的雷达回波子图像输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型，输出第t‑m+2时间步的雷达回波预测子图像；

以此类推，直至将第t‑m+m时间步的雷达回波子图像输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型，输出未来第t+ 1时间步的雷达回波预测子图像；

再将第t+1时间步的雷达回波预测子图像输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型，输出未来第t+2时间步的雷达回波预测子图像；

以此类推，再将第t+m时间步的雷达回波预测子图像输入训练好的基于全局强化的PredRNN的雷达回波图像预测模型，输出未来第t+m+1时间步的雷达回波预测子图像；

对所述第t+1时间步至第t+m+1时间步的各雷达回波预测子图像进行拼接，获得未来第t+1时间步至t+m+1时间步的雷达回波预测图像。

3.根据权利要求2所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述雷达回波图像预测模型对第i时间步的雷达回波预测子图像进行预测的方式为：将输入所述雷达回波图像预测模型的第i‑1时间步的子图像和第i‑1时间步预测时生成的第四全局增强时空记忆输入到所述第一全局强化的ST‑LSTM模块，所述第一全局强化的ST‑LSTM模块根据第i‑1时间步预测时生成的第一隐藏状态、第一细胞状态、所述第四全局增强时空记忆以及所述第i‑1时间步的子图像，生成第i时间步预测时的第一隐藏状态、第一细胞状态和第一全局增强时空记忆，其中，，在i为

至 中的任意一个时间步时，第i‑1时间步的子图像为第i‑1时间步的雷达回波子图像，在i为 至 中的任意一个时间步时，第i时间步的子图像为第i‑

1时间步的雷达回波预测子图像；

将所述第i时间步预测时的第一隐藏状态和所述第一全局增强时空记忆输入到所述第二全局强化的ST‑LSTM模块，所述第二全局强化的ST‑LSTM模块根据第i‑1时间步预测时生成的第二隐藏状态、第二细胞状态、所述第i时间步预测时的第一隐藏状态和第一全局增强时空记忆，生成第i时间步预测时的第二隐藏状态、第二细胞状态和第二全局增强时空记忆；

将所述第i时间步预测时生成的第二隐藏状态和第i‑1时间步预测时生成的第三隐藏状态输入所述梯度高速公路模块，所述梯度高速公路模块根据所述第i时间步预测时生成的第二隐藏状态以及第i‑1时间步预测时生成的第三隐藏状态，生成第i时间步预测时的高速公路状态；

将所述第i时间步预测时的高速公路状态和第二全局增强时空记忆输入到所述第三全局强化的ST‑LSTM模块，所述第三全局强化的ST‑LSTM模块根据第i‑1时间步预测时生成的第三隐藏状态、第三细胞状态、所述第i时间步预测时的高速公路状态和第二全局增强时空记忆，生成第i时间步预测时的第三隐藏状态、第三细胞状态和第三全局增强时空记忆；

将所述第i时间步预测时的第三隐藏状态和第三全局增强时空记忆输入到所述第四全局强化的ST‑LSTM模块，所述第四全局强化的ST‑LSTM模块根据第i‑1时间步预测时生成的第四隐藏状态、第四细胞状态、所述第i时间步预测时的第三隐藏状态和第三全局增强时空记忆，生成第i时间步预测时的第四隐藏状态、第四细胞状态和第四全局增强时空记忆；

将所述第i时间步预测时的第四隐藏状态与所述第i‑1时间步的子图像进行逐元素相加，获得第i时间步的雷达回波预测子图像。

4.根据权利要求3所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述将所述第i时间步预测时生成的第二隐藏状态和第i‑1时间步预测时生成的第三隐藏状态输入所述梯度高速公路模块，所述梯度高速公路模块根据所述第i时间步预测时生成的第二隐藏状态以及第i‑1时间步预测时生成的第三隐藏状态，生成第i时间步预测时的高速公路状态，包括：将所述第i时间步预测时生成的第二隐藏状态通过tanh 激活函数处理后与所述第i‑1时间步预测时生成的第三隐藏状态相加操作，得到候选张量；

将所述第i时间步预测时生成的第二隐藏状态通过σ激活函数处理后与所述第i‑1时间步预测时生成的第三隐藏状态相加操作，得到第一门控权重和第二门控权重；

根据所述第一门控权重对所述候选张量进行加权，获得加权后的候选张量；

根据所述第二门控权重对所述第i‑1时间步预测时生成的第三隐藏状态进行加权，获得加权后的第三隐藏状态；

对所述加权后的候选张量与所述加权后的第三隐藏状态进行特征融合，生成第i时间步预测时的高速公路状态。

5.根据权利要求3所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述第一全局强化的ST‑LSTM模块、第二全局强化的ST‑LSTM模块、第三全局强化的ST‑LSTM模块和第四全局强化的ST‑LSTM模块为结构相同的全局强化的ST‑LSTM网络，所述全局强化的ST‑LSTM网络的处理过程的表达式为：，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

；

其中， 为把输入映射为7个门向量的卷积， 为把输入映射为4个门

向量的卷积， 为把输入映射为3个门向量的卷积，l为全局强化的ST‑LSTM模块编号， ， 为第i时间步预测时输入第l个全局强化的ST‑LSTM模块的隐藏状态、高速公路状态或子图像， 为第l个全局强化的ST‑LSTM模块在第i‑1时间步预测时生成的隐藏状态， 为第l‑1个全局强化的ST‑LSTM模块在第i时间步预测时生成的全局增强时空记忆， 为来自 的输入门预激活， 为来自 的遗忘门预激活， 为来自的候选记忆， 为输入门的全局记忆分支版本， 为遗忘门的全局记忆分支版本， 为全局记忆分支的候选记忆， 为元素逐点乘法， 为 对输出门的贡献， 为来自 的输入门的预激活， 为来自 的遗忘门的预激活， 为来自 的候选记忆， 为对输出门的贡献， 为来自 的输入门的预激活， 为来自 的遗忘门的预激活， 为来自 的输入门的候选记忆，为输入门的输出， 为Sigmoid激活函数，为遗忘门的输出， 为遗忘门偏置， 为输入调制门的输出， 为双曲正切激活函数， 为第l个全局强化的ST‑LSTM模块在第i时间步预测时生成的细胞状态， 为第l个全局强化的ST‑LSTM模块在第i‑1时间步预测时生成的细胞状态， 为全局增强记忆支路的输入门的输出， 为全局增强记忆支路的遗忘门的输出， 为全局增强记忆支路的输入调制门的输出， 为全局增强信息， 为自适应平均池化层， 为全连接层，为将1*1特征广播回与 相同的空间大小， 为第l个全局强化的ST‑LSTM模块在第i时间步预测时生成的全局增强时空记忆， 为自适应权重参数， 为综合记忆张量， 为进行通道维度拼接， 为输出门的输出， 表示将 压缩融合得到驱动输出门所需的特征， 表示将 压缩融合得到生成隐藏状态所需的特征， 为多源自注意力单元， 为第l个全局强化的ST‑LSTM模块在第i时间步预测时生成的初步隐藏状态， 为第l个全局强化的ST‑LSTM模块在第i时间步预测时生成的隐藏状态。

6.根据权利要求5所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述多源自注意力单元的处理过程为：将第l个全局强化的ST‑LSTM模块在第i时间步预测时生成的初步隐藏状态和第l个全局强化的ST‑LSTM模块在第i‑1时间步预测时生成的隐藏状态相加后通过形状调整，获得调整后的隐藏状态；

将所述调整后的隐藏状态通过多头自注意力子单元进行处理，获得自注意力增强特征；

将所述自注意力增强特征与所述调整后的隐藏状态相加后再经过归一化层处理，获得归一化后的隐藏状态；

将所述归一化后的隐藏状态通过前馈神经网络处理后与所述归一化后的隐藏状态相加，再依次通过归一化层和形状调整处理，获得第l个全局强化的ST‑LSTM模块在第i时间步预测时生成的隐藏状态。

7.根据权利要求1所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述基于全局强化的PredRNN的雷达回波图像预测模型的训练方式为：获取包含多个雷达回波图像样本的样本数据集，每个所述雷达回波图像样本包括q个时间步的雷达回波图像；

对所述样本数据集中的每个所述雷达回波图像样本进行预处理，并按照时间顺序将每个所述雷达回波图像样本中的雷达回波图像组合成一个固定长度的雷达回波图像样本序列；

将每个所述雷达回波图像样本序列的每个时间步的雷达回波图像进行分块处理，获得每个分块后的样本序列，所有分块后的样本序列构成处理后的样本数据集，每个分块后的样本序列中包括q个时间步的雷达回波图像对应的雷达回波子图像；

将所述处理后的样本数据集划分为训练集、验证集和测试集；

采用所述训练集中分块后的样本序列对待训练的基于全局强化的PredRNN的雷达回波图像预测模型进行训练，获得训练后的雷达回波图像预测模型；

采用所述验证集中分块后的样本序列对所述训练后的雷达回波图像预测模型进行验证，根据所述验证结果调整所述训练后的雷达回波图像预测模型的网络参数后继续训练，直至验证结果达到收敛条件，获得训练好的基于全局强化的PredRNN的雷达回波图像预测模型；

采用所述测试集中分块后的样本序列对所述训练好的基于全局强化的PredRNN的雷达回波图像预测模型进行测试，评估出所述训练好的基于全局强化的PredRNN的雷达回波图像预测模型的性能。

8.根据权利要求7所述的基于全局强化PredRNN的雷达回波图像预测方法，其特征在于，所述采用所述训练集中分块后的样本序列对待训练的基于全局强化的PredRNN的雷达回波图像预测模型进行训练，获得训练后的所述雷达回波图像预测模型，包括：将所述分块后的样本序列的第1时间步的雷达回波子图像输入待训练的基于全局强化的PredRNN的雷达回波图像预测模型进行训练，输出第2时间步的雷达回波预测子图像；

将所述分块后的样本序列的第2时间步的雷达回波子图像输入待训练的基于全局强化的PredRNN的雷达回波图像预测模型，输出第3时间步的雷达回波预测子图像；

以此类推，直至将所述分块后的样本序列的第 时间步的雷达回波子图像输入待训练的基于全局强化的PredRNN的雷达回波图像预测模型，输出第 + 1时间步的雷达回波预测子图像；

再将所述分块后的样本序列的第 + 1时间步的雷达回波子图像和第 + 1时间步的雷达回波预测子图像输入计划采样单元，使所述计划采样单元根据预设的调度概率η确定将第 + 1时间步的雷达回波子图像或雷达回波预测子图像输入待训练的基于全局强化的PredRNN的雷达回波图像预测模型，输出未来第 +2时间步的雷达回波预测子图像；

以此类推，再将所述分块后的样本序列的第q‑1时间步的雷达回波子图像和第q‑1时间步的雷达回波预测子图像输入计划采样单元，使所述计划采样单元根据预设的调度概率η确定将第q‑1时间步的雷达回波子图像或雷达回波预测子图像输入待训练的基于全局强化的PredRNN的雷达回波图像预测模型，输出第q时间步的雷达回波预测子图像。