1.一种脉冲神经网络权重图像化比较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)对训练的脉冲神经网络使用权重图像化比较WGC方案进行预测；

2)对模型训练得到的权重进行增强处理。

2.根据权利要求1所述的一种脉冲神经网络权重图像化比较预测及网络抗干扰方法，其特征在于：所述权重图像化比较为通过计算每个过滤器权重的二维化图像与输入的二维标准化图像的相似度值，找到最接近输入图像的过滤器，输出该过滤器内神经元映射的标签作为输入图像的预测标签，预测结果p表示为如下公式：其中，s(*)表示映射函数，wi表示第i个神经元过滤器权重的二维标准化图像，x表示标准化输入图像，f(*)表示相似度计算函数，值越高代表两个图像之间相似度程度越高，arg max函数选取相似度值最高的过滤器的索引下标i；

对于相似度函数的选择，使用峰值信噪比PSNR以及结构相似度SSIM来计算，计算两张图像I、K的PSNR值的公式为：其中，MSE表示两张图像的均方误差，MAXI表示图像I的最大像素值，计算两张图像x、y的SSIM值的计算公式为：

SSIM(x,y)＝[l(x,y)]α[c(x,y)]β[s(x,y)]γ其中，l(x,y)比较x和y的亮度，c(x,y)比较x和y的对比度，s(x,y)比较x和y的结构，α＞

0,β＞0,γ＞0调整l(x,y)、c(x,y)和s(x,y)的重要参数，μx及μy、σx及σy分别为x和y的平均值和标准差，σxy为x和y的协方差，C1、C2、C3皆为常数，用于维持l(x,y)、c(x,y)、s(x,y)的稳定。

3.根据权利要求1所述的一种脉冲神经网络权重图像化比较预测及网络抗干扰方法，其特征在于：定义：Wn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n0 n0记为W ，指定 即将W 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。

4.根据权利要求3所述的一种脉冲神经网络权重图像化比较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。