1.一种基于信号强度和图神经网络的无人机异常检测方法，其特征在于，所述基于信号强度和图神经网络的无人机异常检测方法，包括：以无人机为节点实时构建无向半径图；

实时构建每个节点的奖励图、高斯目标图、障碍图和空间偏好图；

对奖励图、高斯目标图、障碍图和空间偏好图进行编码，得到每个节点的融合特征嵌入；

构建多头注意力模型，将每个节点的融合特征嵌入输入多头注意力模型，得到每个节点的最终节点嵌入；

构建多层池化图神经网络模型，根据每个节点的最终节点嵌入生成节点特征矩阵，将无向半径图的邻接矩阵和节点特征矩阵输入多层池化图神经网络模型，得到全局池化聚合嵌入；

基于全局池化聚合嵌入计算损失函数并反向传播；

计算每个节点的异常评分，当异常评分大于预设阈值时，将当前节点判定为异常，当异常评分小于等于预设阈值时，将当前节点判定为正常；

其中，

所述构建每个节点的奖励图、高斯目标图、障碍图和空间偏好图，包括：构建每个节点的奖励图，用公式表示为：

其中， 为第 个节点从当前点到感知区域内的点 的路径代价， 为第 个节点的速度， 表示第 个节点从当前点至点 的距离，为常数；

构建每个节点的高斯目标图，用公式表示为：

其中， 表示在节点𝑖 的可观测区域内的点 处，对感知邻居节点 的空间感知响应强度，表示节点 的感知邻居节点， 表示感知邻居节点 的集合，表示节点 的可观测区域内的点， 表示 的集合， 表示节点 在点 处与感知邻居节点 之间的距离，表示点 与感知邻居节点 在x轴方向上的欧氏距离分量， 表示点 与感知邻居节点 在y轴方向上的欧氏距离分量， 表示节点 对于x轴方向感知范围的标准差， 表示节点 对于y轴方向感知范围的标准差；

获取每个无人机采集的点云信息，将点云信息离散化为二维栅格图，二维栅格图即为障碍图；

将奖励图和高斯目标图相乘，得到空间偏好图。

2.根据权利要求1所述的基于信号强度和图神经网络的无人机异常检测方法，其特征在于，所述对奖励图、高斯目标图、障碍图和空间偏好图进行编码，得到每个节点的融合特征嵌入，包括：将奖励图、高斯目标图、障碍图和空间偏好图分别输入包括多层感知器、最大池化和卷积模块的级联结构进行编码，输出奖励图、高斯目标图、障碍图和空间偏好图各自的图嵌入；

将各个图嵌入进行融合得到每个节点的融合特征嵌入。

3.根据权利要求1所述的基于信号强度和图神经网络的无人机异常检测方法，其特征在于，所述将每个节点的融合特征嵌入输入多头注意力模型，得到每个节点的最终节点嵌入，包括：将每个节点的融合特征嵌入输入多头注意力模型，计算每个注意力头中每个节点对每个邻居节点赋予的注意力权重，用公式表示如下：其中， 表示在第 个注意力头中节点 对邻居节点 赋予的注意力权重，表示LeakyReLU激活函数， 是第 个注意力头的特征变换矩阵，表示第 个注意力头的待学习注意力向量， 表示第 个注意力头的待学习注意力向量的转置， 表示节点 的融合特征嵌入， 表示邻居节点 的融合特征嵌入， 表示邻居节点 的融合特征嵌入，表示向量拼接操作， 表示节点 的邻居集合， 表示节点与节点 的信号强度差异， 表示节点 与节点 的信号强度差异；

将所有注意力头输出的节点嵌入进行拼接，用公式表示如下：其中， 表示拼接后的节点 的节点嵌入， 表示注意力头的数量；

将拼接后的每个节点的节点嵌入输入残差连接层和图归一化层，输出每个节点的最终节点嵌入。

4.根据权利要求1所述的基于信号强度和图神经网络的无人机异常检测方法，其特征在于，所述将无向半径图的邻接矩阵和节点特征矩阵输入多层池化图神经网络模型，得到全局池化聚合嵌入，包括：将无向半径图的邻接矩阵和节点特征矩阵输入多层池化图神经网络模型，得到分配概率矩阵；

其中，分配概率矩阵的计算公式为：

其中， 表示第 层池化图神经网络的分配概率矩阵， 表示第 层池化图神经网络， 表示第 层池化图神经网络输入的节点特征矩阵， 表示第 层池化图神经网络输入的邻接矩阵， 表示softmax分类器；

根据分配概率矩阵迭代更新邻接矩阵和节点特征矩阵，最终层的节点特征矩阵经过全局平均池化得到全局池化聚合嵌入。

5.根据权利要求4所述的基于信号强度和图神经网络的无人机异常检测方法，其特征在于，所述根据分配概率矩阵迭代更新邻接矩阵和节点特征矩阵，最终层的节点特征矩阵经过全局平均池化得到全局池化聚合嵌入，包括：根据分配概率矩阵迭代更新邻接矩阵和节点特征矩阵，用公式表示为：其中， 表示第 层池化图神经网络输入的节点特征矩阵， 表示第层池化图神经网络输入的邻接矩阵，表示转置；

将最终层输入的节点特征矩阵与最终层得到的分配概率矩阵的转置相乘，得到全局池化聚合嵌入。

6.根据权利要求1所述的基于信号强度和图神经网络的无人机异常检测方法，其特征在于，采用联合损失函数训练多层池化图神经网络模型，所述联合损失函数用公式表示为：其中，表示联合损失函数， 表示异常节点分类损失， 表示聚类一致性损失， 表示分配熵正则损失， 和 表示正则化权重超参数；

其中， 表示无向半径图中节点的数量， 表示节点 的真实值，异常为1，正常为0； 表示由信号强度均值偏差 经Sigmoid激活函数计算得出的预测值，表示Sigmoid激活函数；

其中， 表示原始的节点特征矩阵，表示最终层得到的分配概率矩阵， 表示最终层输入的节点特征矩阵， 为全局池化聚合嵌入， 为 Frobenius范数；

其中，表示簇中心节点的数量， 表示分配概率矩阵中的节点 分配给第 个簇中心的概率。

7.根据权利要求1所述的基于信号强度和图神经网络的无人机异常检测方法，其特征在于，所述每个节点的异常评分的计算公式为：其中， 表示所有节点信号强度的均值， 表示无向半径图中节点的数量，表示节点 的信号强度， 表示节点 的信号强度均值偏差， 表示节点 的异常评分， 表示每个注意力头中节点 对邻居节点 赋予的注意力权重 经过平均聚合后得到的节点对邻居节点 赋予的最终注意力权重， 表示节点 的邻居集合。