1.一种基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，包括：S1：基于MIMO系统设计特征，设计MIMO‑OFDM信号发射模型；

S2：基于MIMO‑OFDM信号发射模型，利用最小描述长度准则估计出MIMO系统的发射天线数；

S3：对接收信号数据进行PCA白化处理，利用JADE算法恢复源信号，并计算恢复信号的循环谱，提取出循环谱频率为零的截面；

S4：对恢复信号进行预处理，基于预处理后的信号与循环谱频率为零的截面生成训练数据集，并将训练数据集划分为训练样本集与测试样本集；

S5：构建CLDNN卷积神经网络模型，并将训练样本集输入到CLDNN卷积神经网络模型进行训练，当达到神经网络设置的最大迭代次数时，完成卷积神经网络的训练，得到训练好的CLDNN神经网络模型；

S6：将多天线的接受信号通过训练好的CLDNN神经网络模型获取各类调制方式概率，根据最小描述长度准则估计出MIMO系统的发射天线数，选取合适的接受天线的数量，并基于不同天线接受信号收到的噪声影响程度不同、发射天线数量推断信号种类的数量，依据置信决策理论得到最终调制方式类型。

2.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S1中，基于MIMO系统设计特征，设计MIMO‑OFDM信号发射模型的方法具体包括：S11：在MIMO‑OFDM系统中，发射端的天线数与接收端天线数为Nt，Nr，且满足Nt＜Nr；基于平坦衰落信道模型理论，对发射信号进行信道建模，建立平坦衰落信道矩阵，构建信道状态，其中发射信号的模型表示为：式中， 表示第nt根天线上第k个子信道发射的第l个符号，Ts表示一帧OFDM信号时间，Tg和Tu分别表示该帧信号中循环前缀时间和有用时间，且三者满足Ts＝Tg+Tu，g(t)为矩阵脉冲函数，N为常数；

S12：发射信号经过串并转换，星座图映射与MIMO编码变成Nt个OFDM信号；

S13：多天线接收端各天线接受信号是各传输信道的叠加，计Nr个接受信号，发射信号经过信道传输后到达接收端，接收信号为发射信号加噪声，其表示为：其中， 分别表示第nr根天线上第k个子信道上的高斯白噪声， 表示平坦衰落信道。

3.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S2中，基于MIMO‑OFDM信号发射模型，利用最小描述长度准则估计出MIMO写的发射天线数的方法具体包括：(k) H

S21：构造接收信号的协方差矩阵，对所述协方差矩阵进行特征值分解：R ＝U∑U，式中，U是由的特征向量构成的酉矩阵，∑＝diag(λ1,λ2,.....,)是由协方差矩阵的特征值构成的对角阵，特征值按照降序排列；

S22：协方差矩阵谱分解根据谱表示原理，用分解的特征向量和特征值表示协方差矩阵(k) (k)R ，将协方差矩阵R 用参数模式表示，在假设接收数据样本长度N足够的大的情况下，根据中心定理，观测数据向量联合概率分布函数；

S23：求解目标函数的参数自由度，自由度K为可自由调整的参数个数，其表示为：式中，Nr表示接收天线数，k表示可自由调整的参数个数；

S24：求解最小描述长度准则目标函数，利用盲估计算法，估计出MIMO系统的发射天线数，其中盲估计算法的估计准则为：式中， 表示发射天线的估计数，Nr为接收天线数，AIC(k)表示赤池信息量准则，argmin()表示最小取值。

4.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S3中，对接收信号数据进行PCA白化处理的方法具体包括：n×m

信号X∈R ，其中n是数据维度，m是样本个数，将信号X的每一行进行零均值化，得到计算零均值化后的数据的协方差矩阵：T

对协方差矩阵进行特征值分解：∑＝UΛU；

T

对数据进行旋转：Xrotate＝UX；

让每一维特征上的数据都除以该维特征的标准差：

式中，λi表示特征值，U表示由的特征向量构成的酉矩阵，Λ表示特征矩阵。

5.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S3中，利用JADE算法恢复源信号的方法为：首先求出白化信号的四阶累积量矩阵C；然后对矩阵C作奇异值分解，取模最大的前Nt个特征值φi和其对应的特征矩阵Ui，将其写为矩阵集；最后对矩阵集作联合近似对角化，得到分离矩阵X，那么恢复后的发送信号为 式中q(k)表示白化后的信号。

6.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S3中，计算恢复信号的循环谱的方法为：首先对信号s(t)计算自相关函数：

*

RS(t,τ)＝E[s(t+τ)s(t)]

*

式中，τ代表时延，s(t)与s(t)共轭；

然后对自相关函数Rs(t,r)做傅氏变换得到循环自相关函数：式中，f为信号频率；

当噪声为高斯白噪声时，信号为 自相关函数为：

式中，σ表示噪声方差，n(t)表示噪声；

故存在高斯白噪声信号循环谱为：

式中，α表示循环频率。

7.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S4中，对恢复信号进行预处理，基于预处理后的信号与循环谱频率为零的截面生成训练数据集，并将训练数据集划分为训练样本集与测试样本集的方法具体包括：S41：将恢复信号以I/Q数据类型进行存储；

S42：根据循环谱图计算公式，获得三维循环谱图；

S43：采用MIMO‑OFDM系统下二进制相移键控调制信号、四相移相键控调制信号、八相移相键控调制信号、十六进制正交振幅调制信号、三十二进制正交振幅调制信号以及128进制正交振幅调制信号，即{BPSK，QPSK，8PSK，16QAM，32QAM，128QAM}共6种信号，选取信噪比为‑

10dB～10dB，每间隔2dB进行一次采样，并将I/Q序列与循环谱切面特征共同构建1024*3维数据作为输入，生成训练数据集；

S44：划分训练集与测试集，分别从数据样本集合的每一种调制类型，随机抽取80％的样本，组合成训练样本集，余下的20％组合为测试样本集。

8.根据权利要求1所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，其特征在于，步骤S5中，构建CLDNN卷积神经网络模型的方法具体包括：设定CLDNN分类神经网络参数和最大迭代次数；

构建CLDNN卷积神经网络模型，所述CLDNN分类神经网络的结构包括4个CNN层、2个LSTM层、3个DNN层、平均池化层、激活层为softmax；

设置模型的损失函数、优化算法、激活函数，所述损失函数设置为交叉熵，所述优化算法选择误差逆传播算法，所述激活函数设置为修正线性单元激活函数。

9.一种基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别系统，其特征在于，用于实现权利要求1至8任意一项所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法，所述系统包括：MIMO‑OFDM信号发射模型设计模块，用于基于MIMO系统设计特征，设计MIMO‑OFDM信号发射模型；

发射天线数估计模块，用于基于MIMO‑OFDM信号发射模型，利用最小描述长度准则估计出MIMO系统的发射天线数；

数据处理模块，用于对接收信号数据进行PCA白化处理，利用JADE算法恢复源信号，并计算恢复信号的循环谱，提取出循环谱频率为零的截面；

训练数据集生成模块，用于对恢复信号进行预处理，基于预处理后的信号与循环谱频率为零的截面生成训练数据集，并将训练数据集划分为训练样本集与测试样本集；

神经网络训练模块，用于构建CLDNN卷积神经网络模型，并将训练样本集输入到CLDNN卷积神经网络模型进行训练，当达到神经网络设置的最大迭代次数时，完成卷积神经网络的训练，得到训练好的CLDNN神经网络模型；

调试识别模块，用于将多天线的接受信号通过训练好的CLDNN神经网络模型获取各类调制方式概率，根据最小描述长度准则估计出MIMO系统的发射天线数，选取合适的接受天线的数量，并基于不同天线接受信号收到的噪声影响程度不同、发射天线数量推断信号种类的数量，依据置信决策理论得到最终调制方式类型。

10.一种电子装置，其特征在于，所述电子装置包括处理器、存储器和总线系统，所述处理器和存储器通过该总线系统相连，所述存储器用于存储指令，所述处理器用于执行存储器存储的指令，以实现权利要求1至8任意一项所述的基于CLDNN神经网络的MIMO‑OFDM信号盲调制识别方法。