有几件事我会建议：

1. 重塑输入数据：在我看来，如果 IQ 值和每个时间序列是 128 个数据点，您想要分析时间序列。在这种情况下，您可能希望将 I 和 Q 分别视为通道并在 128 个点上进行卷积。为此，输入数据需要具有 shape (128, 2)。现在，您将数据点视为 128 维向量，并在 I 和 Q 两个通道上进行卷积。

2. 在卷积和密集部分之间展平：通常你有Convolution1D和MaxPooling1D层提取一些空间特征。全连接层没有空间属性的概念，它们只是“理解”向量。所以大多数模型在Flatten层之前都有Dense层。

3. 密集层的激活函数：除非在层中指定激活Dense，否则它们使用线性激活，这并不能真正收获层的表达能力（参见此处）。所以应该fc1也fc2应该得到一个activation="relu"。

4. 输出激活：我也会softmax对输出使用激活，否则您不能将输出解释为类成员资格的概率。

固定这些点后，我希望您的模型至少在原则上可以工作。您可能还需要检查几点：

5. 过滤器数量：现在您128对所有Convolution1D层都使用过滤器。这似乎很多，我会从也许开始16，看看你能走多远。您可以稍后增加数量。

6. 过滤器尺寸：这只是我的直觉，但您可以尝试使用更小的过滤器。7在计算机视觉中，过滤器的大小5分别看起来非常大。但是，由于您可能更好地了解数据，因此您可能有自己的理由。

7. 不确定这是否会有所帮助，但如果您想减少可训练参数的数量，您也可以尝试MaxPooling1D在两个卷积之间插入另一层。通常人们会尝试在学习更多特征的同时将空间信息与例如池化复合，即增加过滤器的数量。

尝试一个模型，例如这样的模型（未经测试的代码，这只是一个例子）：

DROPOUT_RATE = 0.5

in_shp = (128, 2)
iq_in = keras.Input(shape=in_shp, name="IQ")

conv_1 = Convolution1D(16, 7, padding="same", activation="relu")(iq_in)
dr_1 = Dropout(DROPOUT_RATE)(conv_1)
conv_2 = Convolution1D(16, 5, padding="same", activation="relu")(dr_1)
max_pool = MaxPooling1D(padding='same')(conv_2)

out_flatten = Flatten()(max_pool)

fc1 = Dense(256, name="fc1", activation="relu")(out_flatten)
dr_2 = Dropout(DROPOUT_RATE)(fc1)
fc2 = Dense(128, name="fc2", activation="relu")(dr_2)
output = Dense(11, name="output", activation="softmax")(fc2)

model = keras.Model(inputs=[iq_in], outputs=[output])
model.compile(loss='categorical_crossentropy', optimizer='adam')

model.summary()

使用以下输出：

Layer (type)                 Output Shape              Param #   
=================================================================
IQ (InputLayer)              [(None, 128, 2)]          0         
_________________________________________________________________
conv1d (Conv1D)              (None, 128, 16)           240       
_________________________________________________________________
dropout (Dropout)            (None, 128, 16)           0         
_________________________________________________________________
conv1d_1 (Conv1D)            (None, 128, 16)           1296      
_________________________________________________________________
max_pooling1d (MaxPooling1D) (None, 64, 16)            0         
_________________________________________________________________
flatten (Flatten)            (None, 1024)              0         
_________________________________________________________________
fc1 (Dense)                  (None, 256)               262400    
_________________________________________________________________
dropout_1 (Dropout)          (None, 256)               0         
_________________________________________________________________
fc2 (Dense)                  (None, 128)               32896     
_________________________________________________________________
output (Dense)               (None, 11)                1419      
=================================================================
Total params: 298,251
Trainable params: 298,251
Non-trainable params: 0
_________________________________________________________________