1.一种基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，其特征在于：所述方法应用于调制识别系统，该调制识别系统包括依次连接的接收信号预处理单元和卷积神经网络训练单元，在所述接收信号预处理单元设置有依次连接的第一预处理模块RM1和第二预处理模块RM2，在所述第一预处理模块RM1的数据输入端连接有无线电信号接收装置；其中，调制识别方法按照以下步骤进行：S1：初始化设置；设置无线电信号接收装置的采样率f s 和样本监测时间T；对监测频带B进行划分，得到带宽为W的C个信道，记为c＝1,2,…,C；其中，信道数 表示向下取整；S2：所述无线电信号接收装置根据采样率f s 和样本监测时间T，从C个信道中获取调制信号样本序列；每个调制符号的样本数为N s ＝f s /W；在监测时间T内共计获得N个调制信号样本序列{y[0],y[1],…,y[N-1]}；其中N＝N s ×W×T＝f s ×T；S3：所述第一预处理模块RM1根据步骤S2得到的调制信号样本序列，进行第一预处理后，得到原始的周期相关特征数字谱图X；S4：所述第二预处理模块RM2对所述原始的周期相关特征数字谱图X执行泛化奇异值分解操作、空间划分操作、消除噪声操作和抑制串扰操作，得到最终的周期相关特征数字谱图 S5：搭建卷积神经网络模型框架，所述卷积神经网络训练单元根据所述最终的周期相关特征数字谱图 进行卷积神经网络模型的第一阶段训练，得到各个卷积层的最优权重矩阵 和最优偏置向量 以及softmax分类器的最优权值矩阵 其中，H为卷积神经网络模型配置的卷积层数；步骤S5中所述卷积神经网络训练单元的第一阶段训练的内容为：S51：令i'＝1；将最终的周期相关特征数字谱图 作为卷积神经网络模型卷积层i′的训练数据集，从最终的周期相关特征数字谱图 中随机抽取L批大小为d 1 ×d 1 的数组，每批数组构成列向量 L批数组构成矩阵 S52：对卷积层i'的训练数据集执行卷积运算和平滑处理，得到特征矩阵F：其中，W i' 为卷积层i'所有卷积核的权重矩阵，b i' 为对应的偏置向量，δ用于控制平滑度，g(·)为整流线性单元ReLU激活函数，repmat(b i' ,1,L)表示将b i' 复制L次并平铺，得到卷积层i′+1的训练数据集 在步骤S52中的具体内容为：S521：对特征矩阵F的每个行向量r i” ，i”＝1,…,N i' 进行归一化处理，即 得到行归一化特征矩阵 其中，N i' 为卷积层i'的特征图数量；S522：对行归一化特征矩阵 的每个列向量 进行归一化处理，即 得到归一化特征矩阵 S523：用l 1 -范数罚函数和l 2 -范数加权衰减正则化对行归一化特征矩阵 进一步处理，即建立优化模型：其中，norm r (·),norm c (·)分别表示行和列的归一化过程，求解上式得到卷积层i'的最优权重矩阵 和偏置向量 λ为正则化参数，大于等于0，是个调整参数；S524：池化层i'采用均值池化，对来自卷积层i'输出的特征图进行特征选择和信息过滤，生成卷积层i'+1的训练数据集 S53：判断i′是否等于H，若是，得到卷积层1～H的最优权重矩阵 和偏置向量 以及池化层H的输出特征集 进入步骤S54；否则，令i'＝i'+1，返回步骤S52；S54：致密层首先将输出特征集 展开为列向量，然后全连接至softmax分类器，对其训练以获得softmax分类器最优权值矩阵 S6：所述卷积神经网络训练单元将各个卷积层的最终权重矩阵 和最终偏置向量 以及softmax分类器的最优权值矩阵作为初始条件，利用交叉熵作为损失函数，基于反向传播算法和随机梯度下降算法进行卷积神经网络模型的第二阶段训练，获得各卷积层的最终权重矩阵 和最终偏置向量 以及softmax分类器的最终权值矩阵 并确认得到卷积神经网络模型；S7：根据得到的卷积神经网络模型，对输入的调制信号进行调制模式的识别、分类。
2.根据权利要求1所述的基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，其特征在于步骤S3中，所述第一预处理模块RM1的第一预处理内容为：S31：对调制信号样本序列{y[0],y[1],…,y[N-1]}执行快速傅里叶变换：其中，k表示频率离散变量；S32：计算频域相关谱：其中，α表示周期频率离散变量；S33：根据步骤S32频域相关谱，计算周期相关谱：其中，M表示平滑窗口大小，要求M＞＞1；S34：生成周期相关特征谱图；将步骤S33得到的周期相关谱 投影到周期频率离散变量α与周期相关谱幅度 构成的平面，并经归一化操作和量化操作后，构成原始的周期相关特征数字谱图X，且X∈R A×D ，即原始的周期相关特征数字谱图的像素数为A×D，A,D分别表示原始的周期相关特征数字谱图X中周期相关谱幅度和周期频率的行数和列数。
3.根据权利要求1或2所述的基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，其特征在于步骤S4的具体操作内容为：S41：计算参数μ＝1/||X|| 2 ，||X|| 2 表示求原始的周期相关特征数字谱图X的2范数，设置奇异值的提取参数个数κ、误差矩阵元素最小阈值ε、参数μ的更新系数ρ，并初始化误差矩阵E＝0；过程矩阵Λ＝0；S42：设构造矩阵P＝X-E+Λ/μ，对该构造矩阵P执行奇异值分解操作，按照奇异值大小降序排列，提取前κ个大的奇异值以及对应的奇异向量{F s ,Σ s ,G s },s＝1,2,…,κ；S43：计算中间矩阵U,V；其中，U＝[F 1 ,F 2 ,…,F κ ], S44：更新误差矩阵E：E ij ＝sign(P ij )×|P ij -1/μ|；其中，E ij 为误差矩阵E的第i行第j列元素值；P ij 为构造矩阵P的第i行第j列元素值；i＝0,1,…,A-1；j＝0,1,…,D-1；A,D分别表示原始的周期相关特征数字谱图X中周期相关谱幅度和周期频率的行数和列数；S45：更新过程矩阵Λ和参数μ；其中，Λ＝Λ+μ(X-UV-E)；μ＝min(μ×ρ,10 10 )；S46：判断误差矩阵E中所有元素取值是否均小于误差矩阵元素最小阈值ε；若是，算法收敛，将得到的中间矩阵U,V记为U * ,V * ，通过空间划分，保留信号子空间、消除噪声子空间、压缩串扰子空间；否则返回步骤S42；S47：输出干扰清洗后最终的周期相关特征数字谱图
4.根据权利要求3所述的基于干扰清洗和两阶段训练卷积神经网络模型的调制识别方法，其特征在于步骤S5中搭建的所述卷积神经网络模型框架包括H层卷积层、H层池化层、1个致密层以及1个softmax分类器；所述卷积层i∈H配置N i 个特征图，卷积核大小为d i ×d i ，所有卷积层的卷积核的激活函数均采用整流线性单元ReLU；所述池化层均采用均值池化；所述致密层将最后池化层H的输出特征图展开为列向量；所述softmax分类器配置的神经元与待识别和分类的调制模式类型相等。
