1.基于一维inception结构的信道编码类型识别方法，其特征在于，包括以下步骤：
s1、使用matlab生成不同编码类型的信号样本，并将生成的信号样本划分为训练集和测试集；包括以下子步骤：
s11、使用matlab生成用于训练的信道编码信号，设置采样频率fs为93.3khz，载波频率fc为fs/4并加上10％的频偏，码元速率为4—24khz；
s12、根据编码类型生成对应的编码信号；
s13、对编码后的信号采用统一的编码方式bpsk调制，然后加高斯白噪声、过信道，最后解调，输出编码的比特序列；
s14、总共生成1000000个信号样本，每个样本长度为40000个比特，从生成的样本中随机抽取80％作为训练集，剩余的20％作为测试集；
s2、构造一维inception结构；包括以下子步骤：
s21、一维inception结构并行4个卷积层，采用1×1、1×10、1×20的多种核和最大池化层；
s22、在1×10、1×20和最大池化层后加1×1的卷积；
s3、构建基于一维inception结构的信道编码类型识别模型；所述信道编码类型识别模型的具体结构为：
第一层包括“same”卷积层、batchnormalization层和激活函数层，输入为编码后的信息比特，卷积核的大小为1×7；
第二层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/2；
第三层采用inception结构；
第四层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/4；
第五层采用inception结构；
第六层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/8；
第七层包括“same”卷积层、batchnormalization层和激活函数层，卷积核的大小为1×3；
第八层采用步长为2的最大池化层，使信号长度缩减为输入信号长度的1/16；
第九层为dropout层，参数为0.3；
第十层是全连接层，神经元个数为64，采用relu作为激活函数；
第十一层为全连接层，神经元个数为信道编码类型的类别数，采用softmax函数作为激活函数，识别信道编码类型；
一维卷积层conv1d：使用的激活函数为relu，用以对一维时域信号进行特征提取；
dropout层：将在训练过程中每次更新参数时按一定概率随机断开输入神经元，dropout层用于防止过拟合；
全连接层：将学到的“分布式特征表示”映射到样本标记空间的作用；
softmax层：公式如下：
x为待识别的时域信号，k为总的类别数，k、i分别表示第k个类别和第i个类别，
s4、设置训练基于一维inception结构的信道编码类型识别模型的超参数；设置的具体参数为：将网络初始学习率设为0.001，学习率衰减系数设为0.95，衰减速度设为100；训练时每次输入网络的序列样本数量batch_size设为16，每一轮迭代的最大批训练次数设为3000，训练的最大迭代次数为100，初始迭代次数为1；
s5、将训练集输入基于一维inception结构的信道编码类型识别模型，训练基于一维inception结构的信道编码类型识别模型的参数，从而获得基于一维inception结构的信道编码类型识别模型的最终形式；具体实现方法为：
s51、打乱训练样本的排列顺序，将信号分成适合输入卷积神经网络的多段等长序列；
s52、将每段序列输入卷积神经网络中；
s53、将每一段信号的每一个分类置信度求和再取平均值，平均值最大的那一类即为该信号的调制模式类别；
s54、训练卷积神经网络，当达到设置的最大迭代次数时停止训练，得到最优网络参数；
s6、将测试集输入识别模型的最终形式中，得到测试集中信号编码类型的识别结果。