本发明涉及无线通信领域，具体涉及一种复值卷积融合型多流时空网络的调制识别方法和系统。
背景技术：
1、在无线通信领域，信号分析与处理技术主要涉及在信道和信号参数不完全已知的条件下执行信号检测、识别和恢复等一系列复杂过程。作为这一系列过程中的一个关键环节，自动调制分类不仅对于信号的解调和参数提取至关重要，而且对于在干扰通信时选择正确的技术参数具有指导作用。特别是在非合作通信的实际环境中，自动调制识别的研究不但具备理论上的重要性，还具有显著的实际应用价值。
2、2016年，t.o’shea等人利用cnn(卷积神经网络)网络直接处理iq信号的方法验证了深度学习在自动调制识别中的潜力，并发布了rml2016.10a数据集，激发了dl在自动调制识别领域的研究热潮。随后，基于cnn(卷积神经网络)、dnn(深度神经网络)、resnet(深度残差网络)和rnn(循环神经网络)等各种深度学习网络模型广泛应用于自动调制识别。2017年，t.o’shea等人结合cnn(卷积神经网络)处理频率特征的能力和rnn(循环神经网络)捕获时序信息的优势，创建了cldnn模型，该模型成功提取关键特征提高了分类精度。xu等人创新地从时域和空域提取iq信号特征，并利用cnn(卷积神经网络)与lstm(长短时记忆网络)融合网络进行处理，验证了该网络快速收敛并能准确区分16qam和64qam等易混淆调制方式。同年，xu等人提出一种基于时空多通道的mcldnn网络，该网络结合多通道输入、空间特征映射、时间特征提取以及全连接分类层增强了模型对复杂信号的理解，进一步提高分类精度。紧随其后，cui等人提出iqclnet网络进一步优化了卷积核数量、大小和卷积层深度，以更精细地提取iq时序和相位特征，验证了网络的优越性。hu等人提出的iqgmcl网络在iqclnet网络上进行改进，通过调整卷积核大小和在全连接层增加高斯噪声，在提升精度的同时消除了模型的过拟合。j.krzyston等人引入复数卷积概念，通过构建的数值卷积模块实现了类似二维实数卷积的过程，该方法只需少量修改网络参数，就能提高识别精度，尤其在低信噪比条件下表现良好。由此可见，基于深度学习的自动调制分类(自动调制识别)技术经历了从初步的信号处理到复杂的多网络模型的发展过程，这一进步解决了传统方法依赖人工经验、计算量大等问题。
3、虽然上述算法在自动调制分类领域都取得了一定的成效，但在平均网络识别率、模型过拟合等方面的问题仍有待于进一步研究。
技术实现思路
1、针对上述问题，本发明的一个目的是提供一种复值卷积融合型多流时空网络的调制识别方法。
2、本发明的第二个目的是提供一种复值卷积融合型多流时空网络的调制识别系统。
3、本发明所采用的第一个技术方案是：
4、s1、将获取的iq样本信号分为i通道信号、q通道信号和两个iq通道信号分别通过不同的卷积方式进行空间特征提取，得到iq数据的空间特征；
5、s2、在lstm和bi－lstm之间添加乘性高斯噪声，并将所述iq信号的空间特征输入其中进行时间特征提取，得到时序特征输出结果；
6、s3、将所述时序特征输出结果经过全连接输出并增加乘性高斯噪声，得到识别结果。
7、可选的，所述s1包括：
8、s11将所述iq样本信号分为所述i通道信号、所述q通道信号、第一iq通道信号和第二iq通道信号；
9、s12使所述i通道信号通过若干层卷积核进行卷积运算，得到第一空间特征；
10、s13使所述q通道信号通过若干层卷积核进行卷积运算，得到第二空间特征；
11、s14对所述第一iq通道信号按照三步卷积方式进行特征提取，得到第三空间特征；
12、s15对所述第二iq通道信号通过复数卷积方式进行特征提取，得到第四空间特征；
13、s16对所述第一空间特征、所述第二空间特征、所述第三空间特征和所述第四空间特征进行合并及滤波，得到所述iq数据的空间特征。
14、可选的，所述s15包括：
15、s151、对所述第二iq通道信号进行补零操作；
16、s152、将补零后复数数据与复数卷积核进行卷积运算，得到二维矩阵；
17、s153、将所述二维矩阵进行重构排列，得到重构矩阵；
18、s154、基于所述重构矩阵进行线性变换，得到所述第四空间特征。
19、可选的，s2包括：
20、s21、利用lstm对所述iq数据的空间特征进行数据处理，得到第一时序特征；
21、s22、所述第一时序特征经过乘性高斯噪声输入bi－lstm；
22、s23、利用bi－lstm对经过乘性高斯噪声后的第一时序特征进行数据处理，得到所述时序特征输出结果。
23、可选的，所述s3包括：
24、s31、将所述时序特征输出结果经过全连接输出，得到全连接输出结果；
25、s32、所述全连接输出结果经过乘性高斯噪声，得到识别结果。
26、本发明所采用的第二个技术方案是：
27、空间特征提取模块，用于将获取的iq样本信号分为i通道信号、q通道信号和两个iq通道信号分别通过不同的卷积方式进行空间特征提取，得到iq数据的空间特征；
28、时间特征提取模块，在lstm和bi－lstm之间添加乘性高斯噪声，并将所述iq信号的空间特征输入其中进行时间特征提取，得到时序特征输出结果；
29、输出模块，将所述时序特征输出结果经过全连接输出并增加乘性高斯噪声，得到识别结果。
30、可选的，所述空间特征提取模块包括：
31、样本划分模块，将所述iq样本信号分为所述i通道信号、所述q通道信号、第一iq通道信号和第二iq通道信号；
32、第一卷积模块，使所述i通道信号通过若干层卷积核进行卷积运算，得到第一空间特征；
33、第二卷积模块，使所述q通道信号通过若干层卷积核进行卷积运算，得到第二空间特征；
34、第三卷积模块，对所述第一iq通道信号按照三步卷积方式进行特征提取，得到第三空间特征；
35、第四卷积模块，对所述第二iq通道信号通过复数卷积方式进行特征提取，得到第四空间特征；
36、合并模块，对所述第一空间特征、所述第二空间特征、所述第三空间特征和所述第四空间特征进行合并及滤波，得到所述iq数据的空间特征。
37、可选的，所述第四卷积模块包括：
38、补零模块，对所述第二iq通道信号进行补零操作；
39、复数卷积模块，将补零后复数数据与复数卷积核进行卷积运算，得到二维矩阵；
40、矩阵重构模块，将所述二维矩阵进行重构排列，得到重构矩阵；
41、线性变换模块，基于所述重构矩阵进行线性变换，得到所述第四空间特征。
42、可选的，所述时间特征提取模块包括：
43、数据处理模块，利用lstm对所述iq数据的空间特征进行数据处理，得到第一时序特征；
44、第一噪声模块，所述第一时序特征经过乘性高斯噪声输入bi－lstm；
45、时序特征输出模块，利用bi－lstm对经过乘性高斯噪声后的第一时序特征进行数据处理，得到所述时序特征输出结果。
46、可选的，所述输出模块包括：
47、全连接输出模块，将所述时序特征输出结果经过全连接输出，得到全连接输出结果；
48、第二噪声模块，所述全连接输出结果经过乘性高斯噪声，得到识别结果。
49、上述技术方案的有益效果：
50、本发明引入了复数卷积模块作为iq数据流输入的一个分支，最大限度的保留信号的相位信息和实部与虚部内在关联，充分挖掘复杂特征。网络采用空间－时间双模块结合的方式，空间特征提取模块包含多个并行的处理流，从多维充分挖掘iq信号特征。空间－时间模块的结合有助于捕捉信号在时序上的演变特征。在lstm和bi－lstm之间、时间特征提取模块与全连接输出模块之间均加入乘性高斯噪声，在提升精度的同时消除模型的过拟合，增加模型的鲁棒性。
1.一种复值卷积融合型多流时空网络的调制识别方法，其特征在于，包括：
2.根据权利要求1所述的复值卷积融合型多流时空网络的调制识别方法，其特征在于，所述s1包括：
3.根据权利要求2所述的复值卷积融合型多流时空网络的调制识别方法，其特征在于，所述s15包括：
4.根据权利要求1所述的复值卷积融合型多流时空网络的调制识别方法，其特征在于，所述s2包括：
5.根据权利要求1所述的复值卷积融合型多流时空网络的调制识别方法，其特征在于，所述s3包括：
6.一种复值卷积融合型多流时空网络的调制识别系统，其特征在于，包括：
7.根据权利要求6所述的复值卷积融合型多流时空网络的调制识别系统，其特征在于，所述空间特征提取模块包括：
8.根据权利要求7所述的复值卷积融合型多流时空网络的调制识别系统，其特征在于，所述第四卷积模块包括：
9.根据权利要求6所述的复值卷积融合型多流时空网络的调制识别系统，其特征在于，所述时间特征提取模块包括：
10.根据权利要求6所述的复值卷积融合型多流时空网络的调制识别系统，其特征在于，所述输出模块包括：
