一种基于深度学习的多尺度混合调制信号识别方法

本发明公开了一种基于深度学习的多尺度混合调制信号识别方法，首先构建基于深度学习的多尺度混合调制信号识别模型，采用深度可分离卷积构建轻量级CNN局部特征提取模块，通过多尺度卷积核并行提取信号时频图的局部纹理特征，设计多尺度ViT全局特征提取模块，将时频图划分为多级块，通过分层自注意力机制捕获跨尺度长程依赖关系，再引入动态特征融合模块，通过可学习的注意力权重对CNN局部特征与ViT全局特征进行加权融合，完成多尺度混合调制信号的识别。本发明的方法结合CNN与ViT异构架构设计，通过动态特征融合与轻量化部署策略，在复杂电磁环境下实现了突破性的性能提升，在识别精度、计算效率、环境适应性及工程落地性等方面具有显著优势。