1.一种基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于，依次包括以下步骤：

A：获取雷达数据集，并对雷达数据集中的每条数据进行统一大小和排序处理，再将雷达数据集中的每条数据经过归一化处理后，转换为灰度图像数据并得到灰度图像数据集合，最后对灰度图像数据集合进行划分得到训练样本集和测试样本集；训练集样本集中的每组图像集合中均包括输入标签和真实样本标签；

B：首先构建长短时记忆和生成对抗网络模型，并初始化长短时记忆和生成对抗网络的权重和偏置，长短时记忆和生成对抗网络模型中的生成模型由长短时记忆神经网络构成，长短时记忆和生成对抗网络模型中的判别模型由全连接神经网络构成；然后将步骤A中得到的训练样本集输入到生成模型中并得到预测图像；再将预测图像与真实样本标签输入到判别模型中，计算出预测图像和真实样本标签之间的平均绝对总误差以及生成模型和判别模型的损失值，再通过反向传播更新长短时记忆和生成对抗网络的权重和偏置，重复此过程直到训练结束，得到收敛的长短时记忆和生成对抗网络模型；

C：将步骤A中的测试样本集输入步骤B中得到的收敛的长短时记忆和生成对抗网络模型中，得到雷达回波外推图像。

2.根据权利要求1所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于，所述的步骤A包含以下具体步骤：A1：获取雷达数据集，并将雷达数据集中的N条数据按照时间递增顺序进行排序；

A2：对雷达数据集中的每条数据进行统一大小和图像转换，通过归一化操作将雷达数据集中的每条数据转换为归一化后的灰度图像数据，并得到灰度图像数据集合；

A3：对灰度图像数据集合进行划分，将灰度图像数据集合中的每四幅相邻的灰度图像作为一组图像集合得到i组图像集合，第i组图像集合中的前三幅即第4i-3幅、第4i-2幅和第4i-1幅灰度图像作为一组输入标签，第i组图像集合中的第四幅即第4i幅灰度图像作为真实样本标签，i为[1，N/4]之间的自然数，然后将所得到i组图像集合以7∶3的比例划分为训练样本集和测试样本集。

3.根据权利要求2所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于，所述的步骤A2包含以下具体步骤：A21：对雷达数据集中的每条数据进行大小转换，将雷达数据集中的每条数据大小均转化为360×480；

A22：将步骤A21中得到的大小转化后的数据转化为灰度图像，然后再对灰度图像进行归一化操作，最终得到灰度图像数据集合。

4.根据权利要求3所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于：所述的步骤B包含以下具体步骤：B1：首先构建长短时记忆和生成对抗网络模型，并初始化长短时记忆和生成对抗网络的权重和偏置；

B2：然后将步骤A3中得到的训练集样本集输入到生成模型中，训练集样本集中的每组图像集合均包含输入标签input和真实样本标签true，其中输入标签input＝{x1，x2，x3}，真实样本标签true＝{x4}；x1，x2，x3分别为步骤A3中第i组图像集合中的前三幅即第4i-3幅、第4i-2幅和第4i-1幅灰度图像，x4表示第i组图像中的第四幅即第4i幅灰度图像；

B3：通过生成模型得到预测图像，再将预测图像和真实样本标签依次输入到判别模型中，计算出预测图像和真实样本标签之间的平均绝对总误差以及生成模型和判别模型的损失值；

B4：根据计算得到的判别模型的损失值，从判别模型输出层至判别模型输入层反向传播，使用学习率作为输入参数，调节每层网络的权重和偏置，最终得到更新权重和偏置后的判别模型；

根据计算得到生成模型的损失值，从生成模型输出层至生成模型输入层反向传播，使用学习率作为输入参数，调节每层网络的权重和偏置，最终得到更新权重和偏置后的生成模型；

B5：重复步骤B2至B4，直至达到最大迭代次数完成训练，最终得到收敛的长短时记忆和生成对抗网络模型。

5.根据权利要求4所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于：所述的步骤B1中，生成模型的网络层次依次为生成模型输入层、第一长短时记忆神经网络层、第二长短时记忆神经网络层、生成模型全连接层和生成模型输出层，生成模型的训练迭代次数为150次，学习率为0.001，生成模型输入层的大小为3×360×480，第一长短时记忆神经网络层和第二长短时记忆神经网络层的隐藏层节点数均为128，生成模型全连接层的节点数为360×480，生成模型输出层的大小为360×480，生成模型的最终输出图像大小为360×480，即输出的预测图像的大小为360×480；

判别模型的网络层次依次为判别模型输入层、判别模型第一全连接层、判别模型第二全连接层、判别模型第三全连接层和判别模型输出层，判别模型的训练迭代次数为150次，学习率为0.001，判别模型第一全连接层的节点数为256个，判别模型第二全连接层的节点数为128个，判别模型第三全连接层的节点数为1个，判别模型输入层的大小360×480，判别模型输出层的大小为1。

6.根据权利要求4所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于：所述的步骤B2中，训练集样本集中的每组图像集合中的输入标签input的大小为3×360×480。

7.根据权利要求4所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于：所述的步骤B3中，预测图像和真实样本标签之间的平均绝对总误差MAE的计算公式为：其中，m表示预测图像和真实样本标签中共有的像素点数，truei表示步骤A3中第i组图i i

像集合中的真实样本标签， 表示真实样本标签true中第j个像素点的值，o表示预测图像， 表示预测图像中第j个像素点的值；

依次将预测图像和真实样本标签输入到判别模型中，判别模型分别输出两个大小均在[0，1]之间的标量D(G(inputi))和D(truei)，然后根据判别模型输出的两个标量D(G(inputi))和D(truei)，分别计算生成模型和判别模型的损失值；

生成模型的损失函数为：

其中，V1为生成模型的损失值，D表示待优化的判别模型，G表示待优化的生成模型，n为训练样本集个数，N为雷达数据集中数据的总个数，log表示对数似然函数，inputi为第i组输入样本，G(inputi)是inputi输入生成模型G后得到的预测图像，D(G(inputi))表示生成模型的生成的预测图像经过判别模型D判别后的判别结果；

判别模型的损失函数为：

其中，V2为判别模型的损失值，truei表示第i组图像集合中的真实样本标签，D(truei)表示真实样本标签经过判别模型判别后的判别结果。

8.根据权利要求1所述的基于长短时记忆和生成对抗网络的雷达回波外推方法，其特征在于：所述的步骤C中，雷达回波外推图像的大小为360×480。