1.基于CNN‑LSTM模型和迁移学习的信号调制样式识别方法，其特征在于：包括如下步骤：步骤一、采集多种不同调制信号样本集，对信号样本集进行预处理得到源数据集；

步骤二、构建CNN‑LSTM网络模型，随机初始化CNN‑LSTM网络的权值，然后通过源数据集对初始化后的CNN‑LSTM网络进行预训练，得到预训练完成后的CNN‑LSTM网络模型和网络权值参数；

步骤三、采集目标调制信号样本集，预处理得到目标数据集，组成训练数据集和测试数据集，将预训练后的CNN‑LSTM网络权值参数迁移至目标CNN‑LSTM网络模型，利用部分目标数据集对目标CNN‑LSTM网络训练进行微调，得到训练完成的CNN‑LSTM网络；

步骤四、将测试数据集输入到训练完成的CNN‑LSTM网络，得到信号调制识别结果；

所述的步骤一具体如下：

采集得到多种不同调制信号样本集，对各种调制信号进行正交解调，得到同相分类即Q路分类和正交分量即I路分类，再由I、Q两路信号并行组成源数据集；

所述的步骤二具体如下：

CNN‑LSTM网络模型由五部分组成：第一部分为输入层，输入信号数据集；第二部分为CNN网络，用于提取信号数据集的空间特征；第三部分为LSTM网络，用于提取信号数据集的时序特征；第四部分为特征融合层，将CNN网络提取的空间特征与LSTM提取的时序特征进行串联，得到新的信号特征；第五部分为随机森林分类器，根据新的信号特征进行信号调制样式识别；

所述的步骤三具体如下：

采集需要识别的调制信号样本集，预处理得到目标数据集，将其分为训练数据集和测试数据集；提取步骤二中预训练好的CNN‑LSTM网络模型的第二部分中CNN网络权值参数和第三部分中LSTM网络权值参数，再将权值参数对应迁移至目标CNN‑LSTM网络模型的CNN网络和LSTM网络中，然后输入训练数据集到目标CNN‑LSTM网络模型中，仅对随机森林部分进行训练，训练步骤如下：

1)、训练数据集经过目标CNN‑LSTM网络模型的前四部分，得到信号特征数据集；

2)、通过自助法有放回抽样信号特征数据集构造子训练数据集；

3)、根据基尼系数随机选取特征参数建立CART决策树，其中基尼系数表示模型的混乱度，CART决策树的概率分布基尼系数为Gini(p)＝2p(1‑p)，当遍历特征参数A的所有分割点之后，使用特征参数和阈值TA的关系，将训练集D划分为两部分，即D1和D2，其中D1是满足A＞TA的样本集，D2是不满足A＞TA的另一个样本集；则在A＞TA的情况下，训练集D的基尼指数为：所有特征参数都遍历CART决策树的所有分割点，寻找Gini系数最小的特征分割点；

4)、重复上述步骤1)‑步骤3)n次，建立n棵决策树，每个决策树互不相干，构成随机森林，判决时将多个决策树分类器的判决结果进行投票，得到最终结果；

训练完随机森林后，得到训练完成的CNN‑LSTM网络；

所述的步骤四具体如下：

输入目标信号数据集的测试数据集到训练完成的CNN‑LSTM网络的输入层，CNN网络提取信号的空间特征，LSTM网络提取信号的时序特征，特征融合层将两种特征串接，得到信号融合特征，输入融合特征到随机森林分类器进行投票判决，得到信号识别结果。