1.一种基于3D‑GANs的雷达数据盲区填补方法，其特征在于，包括以下步骤：（1）根据训练数据中三维雷达数据真实盲区形态，基于雷达数据层级特性构造模拟盲区掩码，并将其分层嵌入至当前雷达数据的无缺失区域；

（2）将模拟盲区掩码与对应的雷达反射率数据沿通道维度进行拼接，构成输入张量；

（3）将输入张量输入至生成器网络中，输出补全后的雷达体数据；所述生成器网络采用基于三维注意力机制的改进三维U‑Net结构，在编码层的下采样过程中先进行整体压缩，然后进行水平压缩保留垂直结构；在解码层与同尺度编码器输出进行跳跃连接的过程中引入三维注意力模块对编码器输出的低阶特征进行加权调控，实现编码与解码层特征的加权融合；

（4）通过三维判别器网络对真实雷达数据与补全结果进行对比判别，联合对抗损失与重构损失优化生成器网络性能。

2.根据权利要求1所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，步骤（1）包括：针对大面积盲区形态，即原始数据中有效数据较少的层级，生成随机不规则形状模拟盲区掩码并随机嵌入无缺失区域；针对适中盲区形态的层级，构建结构模板并采用优先中心放置，或者自中心搜索可行位置的规则嵌入；针对较小盲区形态即有效数据较多的层级，构建结构模板嵌入到需要填补的层级中对应的无缺失区域。

3.根据权利要求2所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，所述构建结构模板包括从训练数据中提取存在真实数据缺失的雷达数据，获取其对应的盲区掩码，基于该掩码采用图像处理方法提取连通区域，统计其形状和尺寸以构建结构模板。

4.根据权利要求1所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，步骤（2）中，对雷达反射率数据进行归一化处理。

5.根据权利要求1所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，步骤（3）包括：输入所述输入张量，通过初始卷积模块进行初步特征提取，输出低级特征图；

通过若干下采样模块生成若干中间特征图，在下采样过程中基于三维雷达数据的垂直分层特性先对三维空间整体压缩，后水平压缩以保留垂直结构；

通过反卷积模块上采样最深层特征图，并引入层间关系建模的三维注意力模块对跳跃连接中的低阶特征加权调控；将加权后的编码器特征与解码器上采样特征拼接后输入卷积模块，重复处理若干解码层，生成融合特征图；

通过输出卷积模块生成补全后的雷达体数据；

利用原始盲区掩码替换补全后的雷达体数据中的非盲区区域，得到最终输出结果。

6.根据权利要求1所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，所述三维注意力模块的计算公式为：其中， 为解码器上采样特征， 为编码器特征， 、  分别为 卷积映射，

 为 卷积映射， 为Sigmoid激活函数， 为逐元素乘，BN为批归一

化。

7.根据权利要求1所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，步骤（4）中所述对抗损失为最小二乘损失函数，所述重构损失为L1损失函数和/或L2损失函数。

8.一种基于3D‑GANs的雷达数据盲区填补系统，用于实现权利要求1‑7任意一项所述的基于3D‑GANs的雷达数据盲区填补方法，其特征在于，包括：模拟盲区掩码构造模块，用于根据训练数据中三维雷达数据真实盲区形态，基于雷达数据层级特性构造模拟盲区掩码，并将其嵌入至当前雷达数据的无缺失区域；

输入张量构建模块，用于将模拟盲区掩码与对应的雷达反射率数据沿通道维度进行拼接，构成输入张量；

数据补全模块，用于将输入张量输入至生成器网络中，输出补全后的雷达体数据；所述生成器网络采用基于三维注意力机制的改进三维U‑Net结构，在编码层的下采样过程中先进行整体压缩，然后进行水平压缩保留垂直结构；在解码层与同尺度编码器输出进行跳跃连接的过程中引入三维注意力模块对编码器输出的低阶特征进行加权调控，实现编码与解码层特征的加权融合；

对抗训练模块，用于通过三维判别器网络对真实雷达数据与补全结果进行对比判别，联合对抗损失与重构损失优化生成器网络性能。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑7任意一项所述的基于3D‑GANs的雷达数据盲区填补方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑7任意一项所述的基于3D‑GANs的雷达数据盲区填补方法。