1.一种基于卷积神经网络的数字信号调制分类方法，其特征在于，包括以下步骤：步骤一：首先对接收到的信号进行预处理，然后同时利用平滑伪Winger-Ville分布和Born-Jordan分布，将信号转换成平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图；

步骤二：利用卷积神经网络自动提取平滑伪Winger-Ville时频分布图和Born-Jordan时频分布图的特征；

步骤三：利用多模融合模型将步骤二的两种时频图像特征进行特征融合；

步骤四：将步骤三融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调制分类。

2.根据权利要求1所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述步骤一的信号模型为：其中r(t)和s(t)分别表示接收信号和发射信号，α表示信道增益，ω0和θ0表示频率偏移和相位偏移，n(t)表示高斯噪声，其中当s(t)为ASK，FSK和PSK调制时，表达式为：Am表示调制幅度，an表示符号

序列，Ts符号周期，fc表示载波频率，fm表示调制频率，φ0表示初始相位，φm表示调制相位，g(t)表示矩形脉冲；

当s(t)为QAM调制时，由于QAM信号使用两个正交的载波cos(2πfct)和sin(2πfct)，表达式为：an和

bn分别表示符号序列。

3.根据权利要求1所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述平滑伪Winger-Ville分布，是一种对Winger-Ville分布进行改进的时频分布，通过分别在时延和频偏方向同时加窗截取来抑制交叉项，表达式为：SPWVDx(t,f)＝∫∫h(τ)g(v)x(t-v+τ/2)x*(t-v-τ/2)e-j2πfτdvdτ其中h(τ)和g(v)是两个实的偶窗函数，x(t)＝r(t)+jH[r(t)]，H[·]表示希尔伯特变换。t和f分别表示时间和频率，v表示频偏，τ表示时延，x*(t)为x(t)的共轭；

Born-Jordan分布也是一种能够有效的抑制交叉项的时频分布：BJDx(t,f)＝∫τ[∫vφ(t-v,τ)x(v+τ/2)x*(v-τ/2)dv]e-j2πfτdτ其中

通过上述两种时频分布，将接收到的信号转换为二维图像。

4.根据权利要求3所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述步骤二利用卷积神经网络自动提取平滑伪维格纳-威利时频分布图和Born-Jordan时频分布图的特征，具体包括：将得到的时频分布图的尺寸设为(224,224)，然后利用卷积神经网络中的残差网络来自动提取图像特征，在普通网络结构中，直接让一些层去拟合一个潜在的恒等映射函数H(x)＝x比较困难，x表示网络输入，H(x)表示经过网络后的输出，这也是深层网络难以训练的原因。但是，如果过把网络设计为H(x)＝f(x)+x，通过学习一个残差函数f(x)＝H(x)-x，只要f(x)＝0，就构成一个恒等映射H(x)＝x。

5.根据权利要求4所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述步骤三的具体处理过程为：首先定义p和q为两种长度相同的离散概率分布，利用Jensen-Shannon(JS)散度用来衡量两种分布的相似度，其表达式为：KL表示相对熵；其次定义x1表示SPWVD时频图的

特征，x2表示BJD时频图特征，将特征x1和特征x2首尾相连聚合成特征xc；最后多模融合模型的损耗函数为：其中， 代表第i个训练样本所提取的特征 所预测的概率类别

分布，m＝{1,2}表示两种模式， 代表第i个训练样本的融合特征 所c m

预测的概率类别分布，ti表示真实概率分布，N表示训练样本数，θ和θ都为正则参数，μ为超参。

6.根据权利要求5所述的基于卷积神经网络的数字信号调制分类方法，其特征在于，所述步骤四将步骤三融合后的特征作为多层感知机的输入，先利用训练集来训练模型，然后用训练好的模型完成信号的调制分类，具体处理过程为，特征 所预测情感类别概率分布表示为 其中 表示特征 预测为第k类调制方式的概率，K为总的调制类型，输入特征属于第k类调制方式概率为：