1.一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于，所述方法包括以下步骤：

步骤1：采用时域平滑FFT累加算法在不同的调制信号下生成三维循环谱图，比如QPSK、

8PSK、16QAM和64QAM，然后将生成的三维循环谱图沿Z轴方向某一个等高距离处理为二维图像来生成自注意力生成对抗网络所需的数据集，自注意力生成对抗网络数据集的特征信息来自于多尺度的二维循环谱图，标签是根据循环谱图对应的调制方式进行分配；

步骤2：将步骤1所述的自注意力生成对抗网络的样本数据随机打乱，其中5000张图片用于组成训练集，1000张图片用于验证集，1000张图片用于组成测试集，并将图片处理为64×64像素大小；

步骤3：基于步骤2所述的数据集，利用AutoAugment数据增强算法提升数据价值，并结合多尺度的特征信息增强自注意力生成对抗网络的泛化能力；

步骤4：步骤3所述自注意力生成对抗网络的自注意力模块可以让网络重点关注循环谱的局部信息，自注意力模块采用递归神经网络来产生视觉注意，递归网络由三个残差层，两个LSTM层和一个用于产生注意图的卷积层组成；

步骤5：生成对抗网络的生成网络中采用上下文自动编码器用于原始图片和注意力图的结合，这里对上下文自动编码器设置一个多尺度损失函数，可以在不同的译码层提取图像特征，形成不同大小的输出，然后将不同尺度信息融合来获得更加丰富的特征信息；

步骤6：生成对抗网络的判别网络主要采用五层的卷积神经网络来实现，判别网络目标是尽量把生成网络生成的循环谱图和真实的循环谱图区分开来，判别网络的输出是图片为某一类别调制方式的概率；

步骤7：根据由步骤1、步骤2、步骤3、步骤4、步骤5和步骤6所建立的模型完成对调制信号的识别。

2.根据权利要求1所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：所述步骤2中，采用OpenCV的resize函数将图片处理为64×64像素大小。

3.根据权利要求1所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：所述步骤3中，AutoAugment数据增强算法的基本思路是使用增强学习从数据本身寻找最佳图像变换策略，对于不同的任务学习不同的增强方法，其实现包括以下步骤：步骤3.1：设置10个数据增强处理方法；

步骤3.2：从10个中选择5个方法，随机产生使用该方法的概率和相应的幅度，每个方法会获得一个相应的子策略；

步骤3.3：对训练过程中的样本随机采用5个子策略中的一个进行处理，并通过验证集上的数据验证该子策略的有效性；

步骤3.4：经过100个训练周期后得到有效地子策略方案；

步骤3.5：采用训练好的策略完成数据增强。

4.根据权利要求1所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：所述步骤4中，每个时间步学习的注意力图是一个从0到1的矩阵，值越大，表示受注意程度越高；在每个时间步中，将当前的自注意力图与输入的图像连接起来，然后将它们输入到递归网络的下一个块中。

5.根据权利要求4所述一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：在训练过程中，自注意力图的初始化参数设置为0.4，随着时间步长的增加，网络越来越将注意力集中到循环谱峰值区域。

6.根据权利要求5所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：所述步骤5中，每个递归块中的损失函数定义为该时间步长的输出的自注意力图与图像二进制掩模之间的均方误差。

7.根据权利要求1所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：上下文自动编码器采用20个转换块，并添加了跳跃连接以防止图像的模糊输出。

8.根据权利要求1所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：判别网络包含5个卷积层、一个全连接层，最后通过Softmax层输出调制信号属于哪种调制方式的概率。

9.根据权利要求1所述的一种基于循环谱特征和生成对抗网络的调制信号识别方法，其特征在于：采用网络的分类准确率作为评价网络调制信号识别性能的指标。