技术特征：
1.一种基于深度混合路由网络识别通信信号的方法，其特征在于，该方法包括以下步骤：s1：获取信号数据，并提取相应信号特征；s2：设计混合路由网络模型，该模型以cnn神经网络为基础模型，添加多路由单元，各个单元之间通过跨层连接网络方式相结合，设计不止一个混合多路由网络模型；s3：利用s1获取的信号数据对s2的网络模型进行训练，根据训练效果选择混合多路由单元的的网络模型；s4：利用s3获取的混合多路由网络模型对信号数据进行识别，最终输出识别结果。2.如权利要求1所述的方法，其特征在于，所述s1中，还包括将信号特征以可变数据组的形式输入至混合路由网络模型中；各种不同的信号数据组表示为其中，m是分组总数，m是分组编号；φ(
·
)是与组号相对应的信号比特序列，φ是信号的总数，信号位c(
·
)是当前检索组，h是获得的信号位号，用作所使用网络中信号种类的输入序列，φ
′
是当前信号比特序列。3.如权利要求1所述的方法，其特征在于，所述混合路由网络模型的基本组成包括输入层、卷积层、maxpooling层、多路由单元层、轨道重组和连接层，全局映射池层和全连接层。4.如权利要求3所述的方法，其特征在于，所述输入层直接接收原始信号数据；所述卷积层和maxpooling层对信号数据进行预处理，它们的卷积核为3
×
3。5.如权利要求3所述的方法，其特征在于，所述多路由单元中，主分支l0由7个基本层组成，包括具有l1的卷积核的gconv，批量归一化，relu激活函数，具有卷积核的深度卷积，在2
×
2的二维卷积中，卷积核为1
×
1；在辅助路径上可选择的三个分支分别对应于l1，l2，l3；其中，辅助分支l1由五个基本层组成，包括具有3
×
3卷积内核的depthconv_2，两个bn，conv_2和relu；辅助分支l2包括平均池，辅助分支l3是直接连接的链接层；多路由单元不仅仅包括上述多路由单元的层级结构形式，还包括其他形式和组合的多路由层。6.如权利要求3所述的方法，其特征在于，所述多个多路由单元的叠加来实现该结构，对应的公式如下：其中j表示叠加单位，j＝1，2，
…
，j，j表示最大叠加单元数，l0表示主分支，ζ(
·
)表示辅助分支的选择函数，u表示不同辅助分支的可选模式，u＝1，2，
…
，u，u表示辅助分支的总数，j层可以选择从1到u所需的任何可选辅助分支，代表最终的网络结构。7.如权利要求3所述的方法，其特征在于，所述路由单元之间能够进行信号特征的交换；数据分支表示从1到pth的多条路由路径，与每个分支对应的二维特征矩阵为w1，w2，w
p
，所选特征范围百分比为δ；交换所涉及的特征是
v1＝δw1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)v2＝δw2ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
…
v
n
＝δw
n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)在第一网络单元学习之后，按比例选择的初始矩阵为：[v1，v2，v3，
…
，v
p-1
，v
p
]从1到(p-1)的旋转和变化操作为：[v
p
，v1，v2，
…
，v
p-2
，v
p-1
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)[v
p-1
，v
p
，v1，
…
，v
p-3
，v
p-2
]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
…
[v2，v3，v4，
…
，v
p
，v1]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)。8.如权利要求1所述的方法，其特征在于，数据特征经由多路由单元处理后，全局映射池将特征映射大小减小为1
×
1，最后，1全连接层输出信号种类预测值。9.如权利要求1-8所述的方法能够应用于水声通信信号识别技术领域。