1.一种基于生成式对抗网络的信号-图像翻译方法，其特征在于，实现该翻译方法的装置包括：翻译模型ST，该翻译模型ST的输入为无线电信号，输出为翻译得到的包含RGB三个通道的信号图像；

判别模型SD，该判别模型SD的输入为真实彩色图像和翻译模型ST得到的信号图像，输出为对真实彩色图像和信号图像的判断结果；

分类模型SC，该分类模型SC的输入为翻译模型ST翻译得到的信号图像，输出为信号图像对应于原始无线电信号的调制类型预测结果；

具体方法如下：

(1)使用具有不同调制类型的无线电信号数据集对翻译模型ST和分类模型SC进行预训练，直到迭代次数达到设定值N1；

(2)固定翻译模型ST和分类模型SC的参数，将真实彩色图像和翻译模型ST得到的信号图像输入判别模型SD进行训练，训练判别模型SD的参数，使判别模型SD能够区分真实彩色图像和信号图像；

(3)固定分类模型SC和判别模型SD的参数，将翻译模型ST得到的信号图像输入判别模型SD进行训练，训练翻译模型ST的参数，使翻译模型ST翻译得到的信号图像更加接近真实彩色图像；

(4)固定判别模型SD的参数，将无线电信号数据集输入翻译模型ST后，将得到的信号图像作为分类模型SC的输入，协同训练翻译模型ST和分类网络SC的参数；

(5)重复步骤(2)～(4)，直到实现ST-SD的纳什均衡或者达到预设的训练迭代次数N2，结束训练；

(6)将待翻译的无线电信号输入到翻译模型ST中，得到翻译后的信号图像。

2.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，所述翻译模型ST在构建时，采用LSTM提取无线电信号的时序特征，使用卷积层来提取信号图像的图像特征，使用全连接层将局部特征通过权值矩阵组装成完整的特征图；所述判别模型SD和分类网络SC在构建时均包含卷积层和全连接层。

3.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，所述判别模型SD在判别时对真实彩色图像和信号图像进行二分类，在步骤(2)中，将真实彩色图像的类标被定义为1，将信号图像的类标定义0；在步骤(3)中，将信号图像的类标被定义为1。

4.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，步骤(2)中，训练判别模型SD的参数具体过程为：将包含RGB三通道的真实彩色图片输入判别模型SD后得到的输出与1作交叉熵计算损失，将翻译模型ST翻译得到的信号图像输入判别模型SD得到的输出与0作交叉熵计算损失，利用最小化两者的损失反馈训练SD的参数。

5.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，步骤(2)中，训练判别模型SD的参数时优化目标为：其中，pImage表示真实彩色图像数据集，pSignal表示无线电信号数据集，ximage～pImage表示真实彩色图像ximage采样自真实彩色图像数据集；xsignal～pSignal表示无线电信号数据xsignal采样自无线电信号数据集。

6.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，步骤(3)中，训练翻译模型ST的参数具体过程为：将正常无线电信号输入翻译模型ST得到信号图像，将得到的信号图像输入判别模型SD，将判别模型SD的输出和1作交叉熵计算损失，并利用最小化该损失反馈训练ST的参数。

7.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，步骤(3)中，训练翻译模型ST的参数时优化目标为：其中，xsignal表示无线电信号数据，xsignal～pSignal表示xsignal采样自无线电信号数据集，psignal表示无线电信号数据集，SD(ST(xsignal))表示判别模型SD对翻译模型ST输出的信号图像的判断结果，E(·)表示交叉熵的期望。

8.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，步骤(4)中，协同训练翻译模型ST和分类网络SC的参数具体过程为：先将正常无线电信号数据集输入翻译模型ST后得到的信号图像再输入分类模型SC，将分类模型SC的输出和正常无线电信号数据对应的调制类型类标做交叉熵计算损失，并利用最小化该损失反馈训练ST和SC的参数。

9.根据权利要求1所述的基于生成式对抗网络的信号-图像翻译方法，其特征在于，步骤(4)中，协同训练翻译模型ST和分类网络SC的参数时优化目标为：其中，y表示原始无线电信号的调制类型类标，xsignal～pSignal表示无线电信号样本xsignal采样自无线电信号数据集，SC(·)表示分类模型SC对无线电信号调制类型的分类结果。