1.一种基于深度混合神经网络的快速准确水声信号调制方式识别方法，其特征在于，该方法包括以下步骤：

S1：首先对接收到的水声信号进行预处理；

S2：搭建深度混合神经网络；

S3：训练所述S3中的深度混合神经网络；

S4：将S1中预处理后的水声信号输入至S3中训练好的深度混合神经网络，进行水声信号调制方式识别，最后输出信号调制方式。

2.如权利要求1所述的水声信号调制方式识别方法，其特征在于，所述S1中对水声信号进行归一化操作与变维处理；

所述归一化操作公式为：

其中，S为原始信号，S′为归一化后的信号，max为原始信号的最大值，min为原始信号的最小值；

所述变维处理：将一维S′归一化后的信号重塑为二维。

3.如权利要求1所述的水声信号调制方式识别方法，其特征在于，所述S2中深度混合神经网络搭建步骤，包括：

S2‑1循环层结构设计；

循环层公式为：

Ot＝g(V·St)

St＝f(U·Xt+W·St‑1)其中，t代表时刻，Xt为t时刻输入，St为t时刻隐含层的值，输出值为Ot，U为输入的权重矩阵，V为输出的权重矩阵，W为隐含层输出给下一时刻的权重矩阵；

S2‑2卷积层结构的设计：

卷积核的计算公式为：

其中， 代表卷积运算， 代表矩阵加法，FAi代表第i层的输出特征图，Wki代表第i层第k个卷积核，Bki代表第i层第k个卷积核对应的阈值矩阵；

S2‑3全连接层结构的设计：全连接层的计算公式为：

其中， 为矩阵乘法， 矩阵加法，FCAi是第i层全连接层的输出，WFCi是第i层全连接层的权值矩阵，FCBi是第i层全连接层的阈值矩阵。

S2‑4输出层softmax函数为：其中，pi代表softmax的第i个输出值，zi为第i个输出层神经元输出。

4.如权利要求3所述的水声信号调制方式识别方法，其特征在于，所述S2‑1中使用门控循环单元来构造循环层，公式为：Zt＝σ(Wz⊙[ht‑1，Int])rt＝σ(Wr⊙[ht‑1，Int])其中，⊙表示元素的智能乘积，tanh与σ分别代表Tangent函数与Sigmoid函数，Int为t时刻输入，ht‑1为t‑1时刻隐含层输出，ht为t时刻隐含层输出。Wz、Wr与Wh是经过学习的权重矩阵；Zt为更新门；rt为重置门； 为候选态。

5.如权利要求3所述的水声信号调制方式识别方法，其特征在于，所述S2‑2中，第一层卷积层设置为：包含三种一维卷积核，其尺寸分别为8、16、32；本层输入经三种一维卷积核卷积，并拼接此三种一维卷积核的卷积结果作为当前层的输出；第二层卷积层设置为：包含三种一维卷积核，其尺寸分别为27、45、63。本层输入经三种一维卷积核卷积，并拼接此三种一维卷积核的卷积结果作为当前层的输出。

6.如权利要求1所述的水声信号调制方式识别方法，其特征在于，所述S3中所述深度混合神经网络训练步骤包括：

S3‑1采用小批量梯度下降法划分数据集，将数据集分成统一大小的数据块分批输入，神经网络每次迭代学习一批次数据；

S3‑2使用Adma优化器作为调整神经网络参数的优化器：训练过程中，神经网络由损失函数的损失值计算神经网络梯度，并根据网络梯度更新权值参数。

7.如权利要求6所述的水声信号调制方式识别方法，其特征在于，所述S3‑1中使用交叉熵函数作为神经网络的损失函数，神经网络向着最小化损失函数的方向学习，损失函数为：其中，N为输出层神经元个数， 为输出层第i个神经元输出的预测值，Yi为输出层第i个神经元对应的真实值，损失函数的值越小，表明神将网络对数据学习的越好。

8.如权利要求6所述的水声信号调制方式识别方法，其特征在于，所述S3‑2中，所述Adam优化器结合一阶动量与二阶动量算法修正偏差，调整神经网络梯度，利用调整后的神经网络梯度更新神经网络权值：所述一阶动量公式为：

mt＝β1*mt‑1+(1‑β1)*gt为t时刻计算出的梯度，mt是t时刻的一阶动量；一阶动量是各个时刻梯度方向的指数移动平均值，约等于最近(1‑β1)个时刻的梯度向量和的平均值；

所述二阶动量公式为：

为t时刻计算出的梯度，Vt为t时刻的二阶动量，二阶动量反应了一段时间内的梯度变化。

9.如权利要求8所述的水声信号调制方式识别方法，其特征在于，m0与V0的初始值均为

0，因此，在神经网络训练初期mt、Vt的值会接近于0，基于此，Adam优化器对mt、Vt修正偏差来解决这个问题，修正偏差公式如下：与 是修正后的一阶动量与二阶动量，由此得出Adam优化器更新神经网络权值的梯度公式，

神经网络的权值更新公式为，

wt为t时刻的神经网络权值，α为神经网络学习率，合适的学习率能使神经网络更快的收敛。