1.一种基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，包括以下步骤：S1、对待识别信号进行CMA均衡处理，得到预处理后的数字信号；

S2、基于预处理后的数字信号生成彩色极坐标图；

S3、通过训练后的多任务学习神经网络对彩色极坐标图进行调制格式和光信噪比识别；

其中待识别信号包括QPSK信号、8QAM信号、16QAM信号、32QAM信号、64QAM信号和128QAM信号；

基于预处理后的数字信号生成彩色极坐标图的具体方法包括以下子步骤：

S2‑1、将预处理后的数字信号转换到极坐标体系下，根据转换后的实部和虚部信息获取预处理后的数字信号的幅度和相位；

S2‑2、将预处理后的数字信号的幅度归一化为[0,2.5]，将预处理后的数字信号的相位归一化为[‑3.2,3.2]；

S2‑3、在[0,2.5]范围内将当前幅度均分为50个区间，在[‑3.2,3.2]范围内将当前相位均分为80个区间，形成50×80个方格；其中每个方格包含预处理后的数字信号的幅度和相位；

S2‑4、获取方格内的符号数，将每个方格内的符号数映射为颜色信息，得到彩色极坐标图；

多任务学习神经网络包括依次连接的第一Conv2Dlayer模块、第一特征提取层、第二特征提取层、第三特征提取层、自适应平均池化层、扁平化层和输出层；

第一Conv2Dlayer模块，用于对输入多任务学习神经网络的图像进行初步特征提取；

第一特征提取层，用于对第一Conv2Dlayer模块的输出进行进一步特征提取；

第二特征提取层，用于对第一特征提取层的输出进行进一步特征提取；

第三特征提取层，用于对第二特征提取层的输出进行进一步特征提取；

自适应平均池化层，用于降低第三特征提取层的输出的空间维度；

扁平化层，用于将自适应平均池化层的输出扁平化为一个一维的向量；

输出层，用于进行调制格式识别和光信噪比识别；其中调制格式识别为分类任务；光信噪比识别为回归任务。

2.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，根据转换后的实部和虚部信息获取预处理后的数字信号的幅度和相位的表达式为：其中 为预处理后的数字信号的幅度；为预处理后的数字信号的相位；为转换后的实部；为转换后的虚部； 表示反正切函数。

3.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，当方格内的符号数为0时，将符号数映射为黑色，即[0 0 0]。

4.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，当方格内的符号数大于78时，将符号数映射为白色，即[1 1 1]。

5.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，当方格内的符号数大于等于1且小于等于78时，以2为间隔，映射为39种不同的颜色，分别为：[1 0 0]、[0 1 0]、[0 0 1]、[1 1 0]、[1 0 1]、[0 1 1]、[0.5 0 0]、[0 0.5 0]、[0 0 

0.5]、[0.5 0.5 0]、[0.5 0 0.5]、[0 0.5 0.5]、[1 0.5 0]、[0 1 0.5]、[0.5 0 1]、[1 

0.75 0.75]、[0.75 1 0.75]、[0.75 0.75 1]、[0.75 0.375 0]、[0 0.75 0.375]、[0.375 0 

0.75]、[1 0.25 0.25]、[0.25 1 0.25]、[0.25 0.25 1]、[0.75 0.75 0]、[0.75 0 0.75]、[0 0.75 0.75]、[1 0.625 0.478]、[0.478 1 0.625]、[0.625 0.478 1]、[0.875 0.4375 

0]、[0 0.875 0.4375]、[0.4375 0 0.875]、[1 0.375 0.75]、[0.75 1 0.375]、[0.375 

0.75 1]、[0.625 0.3125 0]、[0 0.625 0.3125]和[0.3125 0 0.625]。

6.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，第一Conv2Dlayer模块包括传统卷积子模块、Fast KAN卷积子模块和相加子模块；传统卷积子模块和Fast KAN卷积子模块并行，传统卷积子模块的输入和Fast KAN卷积子模块的输入共同作为第一Conv2Dlayer模块的输入；相加子模块用于将传统卷积子模块的输出和Fast KAN卷积子模块的输出相加；相加子模块的输出为第一Conv2Dlayer模块的输出；其中传统卷积子模块通过GELU激活函数进行激活。

7.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，三个特征提取层的结构相同，均包括第二Conv2Dlayer模块、第三Conv2Dlayer模块、第四Conv2Dlayer模块、第五Conv2Dlayer模块和第六Conv2Dlayer模块；在同一个特征提取层中：第二Conv2Dlayer模块的输入和第三Conv2Dlayer模块的输入为其所在特征提取层的输入；第二Conv2Dlayer模块的输出为第四Conv2Dlayer模块的输入；第四Conv2Dlayer模块的输出与第三Conv2Dlayer模块的输出通过残差连接后作为第五Conv2Dlayer模块的输入；

第五Conv2Dlayer模块的输出为第六Conv2Dlayer模块的输入；第五Conv2Dlayer模块的输入与第六Conv2Dlayer模块的输出通过残差连接后作为其所在特征提取层的输出。

8.根据权利要求1所述的基于彩色极坐标图的调制格式和光信噪比联合识别方法，其特征在于，多任务学习神经网络的训练过程包括以下子步骤：S3‑1、分别获取已知光信噪比情况下的QPSK信号、8QAM信号、16QAM信号、32QAM信号、

64QAM信号、128QAM信号所对应的彩色极坐标图，并将其作为训练样本；

其中QPSK信号的光信噪比范围为7 26dB；8QAM信号的光信噪比范围为9 31dB；16QAM信~ ~号的光信噪比范围为14 33dB；32QAM信号的光信噪比范围为18 37dB；64QAM信号的光信噪~ ~比范围为19 38dB；128QAM信号的光信噪比范围为23 40dB；

~ ~

S3‑2、将每种调制格式信号所对应的实际光信噪比值作为标签，通过训练样本对多任务学习神经网络进行训练，以反向传播方式更新多任务学习神经网络的参数，直至多任务学习神经网络的识别准确率达到设定值，或多任务学习神经网络的训练次数到达设定值，得到训练后的多任务学习神经网络。