1.一种抗模式耦合少模信号复杂格式解析方法，其特征在于，包括以下步骤：采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；

获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；

获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。

2.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述源域为波分复用技术，所述目标域为模分复用技术；所述源域的数据来源于波分复用系统的不同调制格式信号，所述目标域的数据由基于单芯四模光纤的模分复用系统得到。

3.根据权利要求2所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，对网络模型进行训练的方法包括以下步骤：通过网络迭代进行领域对抗训练，使源域和目标域的数据在特征空间上分布一致；网络训练部分整体采用端到端的网络架构进行模型训练，超参数的选择如下：

1)学习率:初始学习率设置为0.001，每训练10轮减小20％；

2)优化器:使用Adam优化器；

3)其他:批处理大小设置为64，总共训练1000轮。

4.根据权利要求3所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述领域对抗训练是指对网络模型中的领域分类器和特征提取器两者训练学习；所述领域分类器用于分辨出数据来自目标域还是源域，所述特征提取器用于提取原始数据的特征且同时欺骗领域分类器数据来自哪个域；

所述领域对抗训练的方法包括以下步骤：通过领域分类器分辨出不同的数据来自源域还是目标域以提高领域分类器的性能；

在性能提升的领域分类器的情况下，对抗训练特征提取器的特征提取能力；

对于提升特征提取能力后的特征提取器，将其与领域分类器进一步对抗训练，以最终达到收敛。

5.根据权利要求4所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述领域分类器包括3个全连接层和1个Sigmoid激活层，输出当前输入数据属于源域与目标域的分类概率值。

6.根据权利要求1所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述网络模型采用简化版的残差网络结构，包括1个普通卷积层，3个残差连接层，2个转录块和2个注意力层。

7.根据权利要求6所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述普通卷积层对初始的输入数据进行压缩处理，使用的卷积核大小为5，步长为2；

所述残差连接层的卷积核的大小设置为3，采用ReLu作为激活函数，通过Stride实现数据的降维；

注意力层采用多头注意力机制。

8.根据权利要求7所述的抗模式耦合少模信号复杂格式解析方法，其特征在于，所述转录块包括批标准化层、ReLu激活层、卷积层和池化层；所述卷积层选取大小为1的卷积核以减少特征维度，且每个转录块之后接上一个Dropout层，其drop_rate设置为0.2。

9.一种抗模式耦合少模信号复杂格式解析装置，其特征在于，所述装置包括：数据生成模块：用于采集源域和目标域的数据样本并对收集的数据进行数据增强，得到不同调制格式信号的星座图，再对收集到的所有星座图进行归一化处理，获取训练数据；

网络训练模块：用于获取源域的网络模型，并根据所述训练数据，对所述网络模型进行训练，获得训练好的网络模型；

判别预测模块：用于获取接收信号的目标域的数据并进行数据增强，提取所述训练好的网络模型，并针对少模固有的链路损伤微调训练好的网络模型，获得目标网络模型，通过所述目标网络模型得到接收信号的调制格式。

10.一种抗模式耦合少模信号复杂格式解析装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～8任一项所述方法的步骤。