1.一种基于卷积神经网络的宽频带电磁干扰源识别方法，其特征在于，包括以下步骤：S1、采集待检测电磁环境中电磁干扰源在多个频段的频谱信号，将采集的数据作为训练集X；

S2、构建电磁干扰源识别网络，包括降噪层、深度特征提取子网络和分类层；

所述降噪层是权值为背景噪声数据的全连接层，激活函数为Sigmoid函数，将数据转换为0和1之间，训练集通过降噪层后得到输出序列I：其中，X(i)为训练集中第i个样本，每个样本序列的长度为m；Wj为第j个背景数据，作为权值，0≤j≤k，k表示背景的个数，0≤n≤k*m，所有hj(n)合并在一起构成h(n)；

所述深度特征提取子网络由6个一维卷积层、3个池化层、1个展平层和1个全连接层构成，其中一维卷积层对输入的序列I进行特征提取，池化层对提取的特征下采样，展平层将多个卷积核运算的结果展平，全连接层包括线性运算和非线性运算，序列I经过深度特征提取子网络后得到深度特征A；

所述分类层的损失函数为：

J＝LSoftmax+λDre

其中

其中，C为类型数，Ok为网络输出端的分类标签且Ok∈{0,1}， 为网络训练得到Ok的预测值，Ai为A中第i个向量，Wi和bi表示第i类对应的全连接层权重矩阵和偏置向量，将A分为多个小批量，其中第m个小批量为Am，Dintra‑class为小批量特征Am＝{a1,a2,…am}的类内平均距离， 为每个批次中每个类的几个样本的类中心值，Dinter‑class为类间平均距离， call为每个批次中所有样本的中心值，η为1e‑6‑6

(10 )，λ为设置的标量；

S3、采用步骤S1的训练集对步骤S2构建的网络进行训练，直到损失函数误差接近0，得到训练好的电磁干扰源识别网络；

S4、采用训练好的电磁干扰源识别网络对待检测电磁环境中的电磁干扰源进行识别。