1.一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法，其特征在于：所述的方法的包括以下步骤：

1)任务拆分式脉冲神经网络TEN的搭建；

2)TEN网络配合权重图像化比较WGC预测方案进行模型训练；

3)对模型训练得到的权重进行增强处理。

2.根据权利要求1所述的一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法，其特征在于：所述的任务拆分式脉冲神经网络TEN搭建过程包括以下步骤：

1)预先设定兴奋神经元总数，记为N；

2)统计数据集中类别个数，记为M；

3)搭建M个结构相同的脉冲神经网络(以Diehl和Cook的网络模型为例，其模型包含三层结构：输入层、兴奋神经元层和抑制神经元层，是一种典型的脉冲神经网络结构，下简称DC网络)，每个网络均拥有N/M个兴奋神经元，称之为子网络，每个子网络内抑制神经元到兴奋神经元的单向抑制连接被称为域内抑制连接；

4)依次给所述子网络编号：NI0，NI1，...，NIM-1，用于训练时的任务分配；

5)搭建域间抑制连接，每个子网络内的每个抑制神经元均单向连接到其余所有子网络的所有与兴奋神经元上，搭建完成后，所有子网络组成一个TEN网络。

3.根据权利要求1所述的一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法，其特征在于：所述TEN配合WGC进行训练具体流程步骤如下：

1)记录训练集样本总数，记为NS；

2)初始化样本编号j＝0，初始化更新周期数UI，映射函数固定为s(NIi)＝i，其中NIi表示第i个子网络；

3)从训练集中选取编号为j的样本；

4)首先关闭网络训练，利用当前网络状态与映射函数s(*)预测该样本，预测方法采用WGC，记录预测结果；

5)预测后将该样本输入到网络中进行学习，使用STDP规则更新网络参数；

6)j＝j+1；

7)检查是否j mod UI＝0，若是，输出当前UI样本的平均预测准确率作为训练曲线描点；若否，则进行下一步；

8)检查是否j

4.根据权利要求1所述的一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法，n其特征在于：定义：W表示具有n个兴奋神经元的网络权重， 表示该权重中索引下标[i,j)的权重过滤器群，θ为一组干扰操作的参数选取，A(W，θ)表示对权重W做一次参数为θ的随机干扰添加的操作，其依次对每一个过滤器权重添加干扰，得到一组干扰后的权重，权重增强的具体流程为：

1)模型在标准训练集上进行训练，模型拥有n个神经元，权重为Wn；

2)设定一个增强权重的组数k，在网络训练结束后，搭建一个同结构的初始网络，但神经元个数为n×k，权重表示为Wkn；

3)选定干扰项，设定各干扰项初始化程度参数θ0；

4)利用当前参数设定值θ0对Wn中每一个过滤器做一次随机形变操作，即A(Wn，θ0)，结果记为Wn0，指定 即将Wn0拷贝到新网络权重中索引0-n的过滤器权重中；

5)加大干扰程度记为θ1，再做 继续加大程度重复该操作，直到此时新网络的所有权重均来自于原始网络权重的不同操作；

6)使用新网络作为最终权重增强后的网络，使用该网络来进行干扰测试集的测试。

5.根据权利要求4所述的一种任务拆分式脉冲神经网络结构预测及网络抗干扰方法，其特征在于：所述选定的干扰项包括：随机噪声、随机裁切、随机旋转，所述干扰项的程度参数包括Sigma参数、Scale参数和Angle参数。