1.一种基于LGTransformer的通信信号调制识别方法，其特征在于，包括以下步骤：S1、对通信调制信号进行采样，得到IQ序列；

S2、将IQ序列转化成幅度/相位序列，即AP序列；

S3、将输入层、两个LSTM网络、两个GRU网络、一个Transformer‑Encoder网络、一个全局池化层、两个全连接层和一个softmax层进行串联，得到LGTransformer模型；

S4、将已知调制类别的AP序列作为训练数据对LGTransformer模型进行分类训练，得到训练后的LGTransformer模型；

S5、采用训练后的LGTransformer模型对目标AP序列进行分类识别。

2.根据权利要求1所述的基于LGTransformer的通信信号调制识别方法，其特征在于，t时刻的LSTM网络将AP序列、t‑1时刻的LSTM网络输出的细胞状态和t‑1时刻的LSTM网络输出的隐藏层状态作为其输入，LSTM网络在最后一个时刻输出的隐藏层状态为其最终输出；t时刻的LSTM网络的细胞状态 和隐藏层状态 的计算表达式为：其中 、 、 和 均为权重； 、 、 和 均为偏置； 为 时刻LSTM网络的遗忘门；为t时刻LSTM网络的输入门； 为t时刻LSTM网络的细胞状态候选值； 为t时刻LSTM网络的输出门； 为t‑1时刻LSTM网络的细胞状态； 为t‑1时刻LSTM网络的隐藏层状态；

X为输入的AP序列； 表示sigmoid函数；LSTM网络最终输出维度为（None，128，128），其中None指一次训练所抓取的样本数量，第一个128指信号的时间步长，第二个128指输出的维度。

3.根据权利要求2所述的基于LGTransformer的通信信号调制识别方法，其特征在于，时刻的GRU网络将上一个网络在 时刻的输出 和该GRU网络在 时刻的隐藏层状态作为其输入，GRU网络在最后一个时刻输出的隐藏层状态为其最终输出； 时刻GRU网络的计算表达式为：其中 、 和 均为权重； 为 时刻GRU网络的重置门； 为 时刻GRU网络的更新门； 为 时刻GRU网络的候选隐含状态； 为 时刻GRU网络的隐藏层状态； 为 时刻GRU网络的隐藏层状态；当 时， 为0；GRU网络最终输出维度为（None，128，64），其中None指一次训练所抓取的样本数量，128指信号的时间步长，64指输出的维度。

4.根据权利要求3所述的基于LGTransformer的通信信号调制识别方法，其特征在于，Transformer‑Encoder网络包括多头注意力模块、第一求和归一化模块、前馈模块和第二求和归一化模块；

多头注意力模块，其输入端为Transformer‑Encoder网络的输入端，通过多头注意力机制获取H个与输入的隐藏层状态相对应的输出矩阵，并将H个与输入的隐藏层状态相对应的输出矩阵进行拼接，并通过线性层得到输出矩阵Z；

第一求和归一化模块，用于将多头注意力模块的输出矩阵Z与多头注意力模块的输入进行求和，并对求和后的激活值进行归一化；

前馈模块的计算表达式为：

其中 为前馈模块输出的第 个结果； 为第一求和归一化模块输出的第 个归一化结果； 和 均为权重；和 均为偏置；

第二求和归一化模块，用于将第一求和归一化模块的输出与前馈模块相对应的输出进行求和与归一化；第二求和归一化模块的输出端为Transformer‑Encoder网络的输出端。

5.根据权利要求4所述的基于LGTransformer的通信信号调制识别方法，其特征在于，第一个全连接层的参数为70，第二个全连接层的参数为11；softmax层的分类数为11；H的数值为4。