一种基于射频学习的低轨卫星信号调制识别方法及装置与流程 专利技术说明

计算;推算;计数设备的制造及其应用技术1.本发明涉及信号识别技术领域，尤其涉及一种基于射频学习的低轨卫星信号调制识别方法及装置。背景技术：2.信号调制识别是认知无线电技术中信号感知检测领域的关键技术点，信号感知检测通过获取射频信号重要参数信息以实现对业务需求的快速灵敏响应，进而进行针对性分析决策，现有的信号调制识别技术分为两大类：一类是基于特征提取的调制识别方法，另一类是基于统计似然特征的调制识别方法。前者需要关注提取的具体特征，如高阶累积量特征、循环统计量特征，小波特征，信号频谱相关特征等，只有针对性强品质好的特征才会使识别准确率满足要求；后者依赖完整的信道状态先验信息，且对模型参数估计效果敏感，需要计算大量先验数据支撑算法性能，对具有频率偏移、相位偏移及时变衰落等非理想特性的信道鲁棒性差。现有的这两类调制识别技术都基于信号级数据特征，识别准确度与时间开销高度依赖于特征类型及算法算力。由于信号感知检测本质上是射频接收信号盲检测，需对未处理的射频接收数据进行信号级特征分析，伴随着低轨卫星通信场景通信带宽的扩展及频率多色复用的应用，对射频接收信号的信号级分析处理难度随着射频接收数据的复杂程度骤增，因此信号级分析处理方法不适用于对大带宽高动态低轨卫星通信场景的信号调制方法进行识别。技术实现要素：3.鉴于此，本发明实施例提供了一种基于射频学习的低轨卫星信号调制识别方法及装置，以解决现有技术的信号级调制识别方法不适用于对低轨卫星信号调制方法的识别。4.本发明的一个方面提供了一种基于射频学习的低轨卫星信号调制识别方法，该方法包括以下步骤：5.获取多个卫星终端用户点的射频信号，将每个卫星终端用户点的射频信号做离散傅里叶变换得到每个卫星终端用户点在各时间点的频谱；将每个卫星终端用户各时间点的频谱沿时间演进并堆叠成平面图谱，并对所述平面图谱中的各元素值做图像灰度提取处理得到二维可视化图片，对各二维可视化图片中的元素值作统计分析后进行锐化隐没操作，并按照各卫星终端用户点的序号堆叠为三维谱阵图；6.将所述三维谱阵图向时频域所在二维平面进行投影，得到各卫星终端用户点叠加的二维可视化频谱图，对所述二维可视化频谱图中的元素值进行抽样，并将抽样元素值分为多个子序列；按照各子序列中元素的位置对所述二维可视化频谱图进行采样得到多个子图像；计算每个子图像上各抽样元素值的拉普拉斯算子并组合得到所有抽样元素值的拉普拉斯矩阵，所述拉普拉斯矩阵中的拉普拉斯算子用以表征所述射频信号的频域特征；从全时间域以及全频率域对所述三维谱阵图沿元素数值梯度绝对值方向进行切割，计算切割表面任一元素值的多个相邻元素值对该元素值的影响值并进行噪声插值，按数值大小将噪声值与各元素值渲染为热度图以表征所述射频信号的时频特征；计算各卫星终端用户点在全时间域接收到的所述射频信号的幅度以及相位，并按各卫星终端用户点的序号排列映射得到类等高线三维立体图，以表征所述射频信号的幅相特征；分别计算所述频域特征、所述时频特征以及所述幅相特征的交叉熵值，并利用交叉熵值最大的特征生成射频语义图谱；7.获取预训练的低轨卫星射频语义图谱识别分类模型，所述低轨卫星射频语义图谱识别分类模型包括依次连接的输入层、卷积层、池化层、全连接层和激活函数，将所述射频语义图谱输入所述预训练低轨卫星射频语义图谱识别分类模型，得到输出调制方法识别结果；8.其中，生成所述特征射频语义图谱包括，将子图像中的元素值以及元素值变化态势总增益按照设定比例映射为语义图谱元素的色度与亮度，得到频域特征射频语义图谱；根据先验计算所述射频信号的平均接收功率和接收信干燥比，并将所述平均接收功率和所述接收信干燥比与设定值比较判断所述射频信号是否误码，并构成时频特征射频语义图谱；将所述类等高线三维立体图中的元素值按照边缘-中心原则从边缘至中心依次填充在语义图谱中得到幅相特征射频语义图谱；所述边缘-中心原则是指元素值在所述幅相特征射频语义图谱中从边缘至中心逐渐减小，元素值颜色在所述幅相特征射频语义图谱从边缘至中心逐渐变深。9.在一些实施例中，对各二维可视化图片中的元素作统计分析后进行锐化隐没操作，包括，10.计算各卫星终端用户点在相同时间域和频率域下的所有二维可视化图片上元素值的统计方差，去除偏离程度大于统计方差阈值的元素值后继续计算剩余元素值的统计方差直至剩余元素值的统计方差小于所述统计方差阈值，并计算剩余元素值的统计平均值，并将所述统计平均值填充至被去除的元素值的位置，若计算元素值的统计方差次数超过设定次数并且剩余元素值的统计方差仍大于所述统计方差阈值，则将该二维可视化图片内所有元素值置零。11.在一些实施例中，按照各子序列中元素的位置对所述二维可视化频谱图进行采样得到多个子图像，还包括，对各子图像对应的子序列进行图快速傅里叶变化，得到各子序列的变换序列，12.所述变换序列的计算式为：[0013][0014][0015]其中，xx(s)表示所述变换序列，2m表示抽样元素值的总量，subsequencex表示所述子序列，j表示频率，2l表示所述子序列的数量，u表示所述子序列中的元素值。[0016]在一些实施例中，计算每个子图像上各抽样元素值的拉普拉斯算子并组合得到所有抽样元素值的拉普拉斯矩阵，包括，各抽样元素的拉普拉斯算子计算式为：[0017][0018][0019]其中，δlm表示所述拉普拉斯算子，m表示抽样元素值的顺序号，ωm→m-1表示边权重，dft_addm表示子图像上的任一抽样元素值，dft_addm-i表示子图像上与任一抽样元素值相邻的八个抽样元素值，i表示从-4到4的正整数和负整数。[0020]在一些实施例中，从全时间域以及全频率域对所述三维谱阵图沿元素数值梯度绝对值方向进行切割，计算切割表面任一元素值的多个相邻元素值对该元素值的影响值并进行噪声插值，按数值大小将噪声值与各元素值渲染为热度图以表征所述射频信号的时频特征，包括，[0021]在固定频率下，找到各二维可视化图片上元素值最大的位置以及与该最大元素值相邻的8个元素值，计算该最大元素值与8个相邻元素值的梯度并沿梯度最大值方向进行切割，得到所述三维谱阵图的第一切割表面；在固定时间下，找到各二维可视化图片上元素值最大的位置以及与该最大元素值相邻的8个元素值，计算该最大元素值与8个相邻元素值的梯度并沿梯度最大值方向进行切割，得到所述三维谱阵图的第二切割表面。[0022]在一些实施例中，从全时间域以及全频率域对所述三维谱阵图沿元素数值梯度绝对值方向进行切割，计算切割表面任一元素值的多个相邻元素值对该元素值的影响值并进行噪声插值，按数值大小将噪声值与各元素值渲染为热度图以表征所述射频信号的时频特征，还包括，[0023]分别计算所述第一切割表面和所述第二切割面上任一元素值与相邻8个元素值的梯度向量和距离向量，将所述梯度向量与相应的距离向量相乘并累加得到8个相邻元素值对该元素值的影响值，采用非线性插值函数对所述影响值进行噪声值插值，使得所述第一切割面和所述第二切割面表面更加平滑，将所述噪声值与所述三维谱阵图上的各元素值按照数值大小渲染为热度图并表征时频特征。[0024]在一些实施例中，计算各卫星终端用户点在全时间域接收到的所述射频信号的幅度以及相位，并按各卫星终端用户点的序号排列映射得到类等高线三维立体图，以表征所述射频信号的幅相特征，包括，[0025]计算每个卫星终端用户点在全时间域接收到的所述射频信号的虚实部的模以及虚实部的反正切三角函数得到每个卫星终端用户点的所述射频信号的信号幅度以及相位，将每个卫星终端用户点的信号幅度及幅度绘制成等高线表征相位、填充颜色表征幅度的类等高线图，将各卫星终端用户点的类等高线图按照各卫星终端用户点的序号依次排序映射得到所述射频信号的类等高线三维立体图。[0026]在一些实施例中，根据先验计算所述射频信号的平均接收功率和接收信干燥比，并将所述平均接收功率和所述接收信干燥比与设定值比较判断所述射频信号是否误码，并构成时频特征射频语义图谱，包括，[0027]根据宽带信道模型、干扰波动、随机噪声等先验计算所述射频信号的平均接收功率和接收信干燥比，并将所述接收信干燥比与设定值比较判断通信带宽的各频点是否被干扰占据，若被干扰占据则该频点信号为误码信号，若未被干扰占据则该频点信号为没有误码信号，赋予误码信号和没有误码信号不同颜色并构建所述时频特征射频语义图谱。[0028]另一方面，本发明还提供一种电子设备，包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现上述方法的步骤。[0029]另一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。[0030]本发明的有益效果至少是：[0031]本发明所述基于射频学习的低轨卫星信号调制识别方法及装置，根据射频信号计算出元素值并构建三维谱阵图，提取三维谱阵图中的频域特征、时频特征以及幅相特征，通过计算各特征的交叉熵值确定生成射频语义图谱的信号特征；根据频域特征得到频域特征射频语义图谱，时频特征得到的时频特征语义图谱，幅相特征得到幅相特征射频语义图谱；构建低轨卫星射频语义图谱识别分类模型，将最大交叉熵值对应的特征语义图谱输入低轨卫星射频语义图谱识别分类模型，对其进行分类识别输出调制识别结果。将对射频信号的处理转化为对图像的处理，提高了低轨卫星通信场景下对信号调制方法的识别准确率。[0032]进一步地，设计了一种同时频域条件下的元素值锐化隐没判决方案，隐没由于受干扰而无效的元素值，锐化有效元素值，消除了信道噪声干扰的影响，提高了信号调制识别的准确率。[0033]进一步地，采用不同的提取方法对三维谱阵图中射频信号不同的显性特征进行提取，提高了信号特征提取的准确性。[0034]进一步地，针对不同的显性特征采用不同的方法构建射频语义图谱，使得不同的显性特征所表征的实际物理含义不同，从而便于低轨卫星射频语义图谱识别分类模型对于射频语义图谱中信号的调制方法进行识别，提高了识别准确率。[0035]本发明的附加优点、目的，以及特征将在下面的描述中将部分地加以阐述，且将对于本领域普通技术人员在研究下文后部分地变得明显，或者可以根据本发明的实践而获知。本发明的目的和其它优点可以通过在说明书以及附图中具体指出的结构实现到并获得。[0036]本领域技术人员将会理解的是，能够用本发明实现的目的和优点不限于以上具体所述，并且根据以下详细说明将更清楚地理解本发明能够实现的上述和其他目的。附图说明[0037]此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，并不构成对本发明的限定。在附图中：[0038]图1为本发明一实施例所述基于射频学习的低轨卫星信号调制识别方法流程图。[0039]图2为本发明一实施例所述基于射频学习的低轨卫星信号调制识别方法。具体实施方式[0040]为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施方式和附图，对本发明做进一步详细说明。在此，本发明的示意性实施方式及其说明用于解释本发明，但并不作为对本发明的限定。[0041]在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。[0042]应该强调，术语“包括/包含”在本文使用时指特征、要素、步骤或组件的存在，但并不排除一个或更多个其它特征、要素、步骤或组件的存在或附加。[0043]在此，还需要说明的是，如果没有特殊说明，术语“连接”在本文不仅可以指直接连接，也可以表示存在中间物的间接连接。[0044]在下文中，将参考附图描述本发明的实施例。在附图中，相同的附图标记代表相同或类似的部件，或者相同或类似的步骤。[0045]第六代移动通信网络最终目标是实现万物互联，即一个地面移动无线通信与卫星通信集成的全连接世界，通过将卫星通信整合到6g移动通信实现全球无缝覆盖。在该应用场景下低轨卫星通信将实现宽带互联网的接入功能，以支撑高速率、超低延迟的业务需求。鉴于低轨卫星通信场景相较于地面移动通信场景的特殊性其通信性能的优劣将严重依赖于信道特性的优劣，空时频非平稳信道响应与大多普勒频偏的准确获知并进行针对性信道均衡与频率同步将大大提升低轨卫星互联网对信道恶化的适应能力。通过对射频接收信号进行特征学习并基于学习结果及获知的空时频非平稳信道响应，进而对低轨卫星互联网提前布置信道估计均衡功能及频偏补偿操作以保证低轨卫星互联网通信性能指标要求。因此对射频接收信号进行特征学习是保证通信网络性能指标要求满足高效业务需求的必要工作。对于低轨卫星通信场景下的射频接收信号其将受到空时频非平稳信道特征的恶劣影响。射频接收信号由于功率损耗淹没于干扰噪声中造成接收信号电平过低进而造成射频图谱整体特征细微不利于特征学习；低轨卫星发射端与接收移动终端的相对运动造成射频接收信号相位及频率偏移进而造成射频图谱各语谱元素点的不规则抖动这种现象将不利于信号特征的提取；由于低轨卫星信道具有快时变特性，射频信号在不同时刻及不同长短持续时间内进行接收信道特征都将存在显著差异，不同信道特性对射频接收信号的影响也将各异，如恶劣电磁环境将造成信号交调互调突变、发射端接收端相对运动造成信号频率偏移。[0046]现有的调制识别技术分为两大类：基于特征提取的调制识别方法及基于统计似然特征的调制识别方法。前者需要关注提取的具体特征，如高阶累积量特征、循环统计量特征，小波特征，信号频谱相关特征等，只有针对性强品质好的特征才会使识别准确率满足要求；后者依赖完整的信道状态先验信息，且对模型参数估计效果敏感，需以计算的大量先验数据支撑算法性能，因此对具有频率偏移、相位偏移及时变衰落等非理想特性的信道鲁棒性差。这两类调制识别技术都基于信号级数据特征，识别准确度与时间开销高度依赖于特征类型及算法算力。由于信号感知检测本质上是射频接收信号盲检测，需对未处理的射频接收数据进行信号级特征分析，伴随着低轨卫星通信场景通信带宽的扩展及频率多色复用的应用，对射频接收信号的信号级分析处理难度随着射频接收数据的复杂程度骤增，因此信号级分析处理方法对于大带宽高动态低轨卫星通信场景适用性大大降低。从而将深度学习应用于调制识别是信号感知检测领域新的研究方向。大部分研究机构针对图像级分析处理的射频学习一般基于频谱图、星座图、信号包络图等信息量较少的单一指标图像，若需识别的调制方式类型数目不变，图谱信息量越小后续深度学习算法的开发难度越大。由此可见现有的深度学习的调制识别方法图谱信息量小，无法对大带宽高动态低轨卫星通信场景下的信号调制方法进行高准确度识别。因此，本发明提供了一种基于射频学习的低轨卫星信号调制识别方法及装置解决现有信号调制识别方法不适用于大带宽高动态低轨卫星通信场景下的射频信号调制方法识别。[0047]本发明的一个方面提供了一种基于射频学习的低轨卫星信号调制识别方法，如图2所示，该方法包括步骤s101～s104：[0048]s101：射频信号是经过调制的，拥有一定发射频率的电波，获取多个卫星终端用户点的射频信号，将每个卫星终端用户点的射频信号做离散傅里叶变换得到每个卫星终端用户点在各时间点的频谱；将每个卫星终端用户各时间点的频谱沿时间演进并堆叠成平面图谱，并对平面图谱中的各元素值做图像灰度提取处理得到二维可视化图片，对各二维可视化图片中的元素值作统计分析后进行锐化隐没操作，并按照各卫星终端用户点的序号堆叠为三维谱阵图。[0049]s102：将三维谱阵图向时频域所在二维平面进行投影，得到各卫星终端用户点叠加的二维可视化频谱图，对二维可视化频谱图中的元素值进行抽样，并将抽样元素值分为多个子序列；按照各子序列中元素的位置对二维可视化频谱图进行采样得到多个子图像；计算每个子图像上各抽样元素值的拉普拉斯算子并组合得到所有抽样元素值的拉普拉斯矩阵，拉普拉斯矩阵中的拉普拉斯算子用以表征射频信号的频域特征；从全时间域以及全频率域对三维谱阵图沿元素数值梯度绝对值方向进行切割，计算切割表面任一元素值的多个相邻元素值对该元素值的影响值并进行噪声插值，按数值大小将噪声值与各元素值渲染为热度图以表征射频信号的时频特征；计算各卫星终端用户点在全时间域接收到的射频信号的幅度以及相位，并按各卫星终端用户点的序号排列映射得到类等高线三维立体图，以表征射频信号的幅相特征；分别计算频域特征、时频特征以及幅相特征的交叉熵值，并利用交叉熵值最大的特征生成射频语义图谱。[0050]s103：获取预训练的低轨卫星射频语义图谱识别分类模型，低轨卫星射频语义图谱识别分类模型包括依次连接的输入层、卷积层、池化层、全连接层和激活函数，将射频语义图谱输入预训练低轨卫星射频语义图谱识别分类模型，得到输出调制方法识别结果。[0051]s104：其中，生成特征射频语义图谱包括，将子图像中的元素值以及元素值变化态势总增益按照设定比例映射为语义图谱元素的色度与亮度，得到频域特征射频语义图谱；根据先验计算射频信号的平均接收功率和接收信干燥比，并将平均接收功率和接收信干燥比与设定值比较判断射频信号是否误码，并构成时频特征射频语义图谱；将类等高线三维立体图中的元素值按照边缘-中心原则从边缘至中心依次填充在语义图谱中得到幅相特征射频语义图谱；边缘-中心原则是指元素值在幅相特征射频语义图谱中从边缘至中心逐渐减小，元素值颜色在幅相特征射频语义图谱从边缘至中心逐渐变深。[0052]在步骤s101中，每个卫星终端用户接收设定时长的射频信号，对各时间点射频信号做离散傅里叶计算，一次离散傅里叶计算的结果可以认为是“一条线”表示该时间点的频谱即元素值，设定时长里面包含多个时间点，将连续多个时间点的频谱按时间演进堆叠组合成“一个面”，即平面图谱，各平面图谱用于表示相应卫星终端用户下的射频信号时频域信息特征。对图像灰度提取可以对二维可视化图片进行增强，同时对二维可视化图片进行降维，降低计算量，卫星终端用户点是指地面用户终端的地理位置。[0053]在一些实施例中，对各二维可视化图片中的元素作统计分析后进行锐化隐没操作，包括，[0054]计算各卫星终端用户点在相同时间域和频率域下的所有二维可视化图片上元素值的统计方差，去除偏离程度大于统计方差阈值的元素值后继续计算剩余元素值的统计方差直至剩余元素值的统计方差小于所述方差阈值，并计算剩余元素值的统计平均值，并将统计平均值填充至被去除的元素值的位置，实现元素值的锐化；若计算元素值的统计方差次数超过设定次数并且剩余元素值的统计方差仍大于统计方差阈值，则将该二维可视化图片内所有元素值置零，并将相应位置的颜色隐没。对二维可视化图片中的受噪声干扰而无效的元素值进行隐没，锐化有效的元素值，从而消除了信道噪声的干扰。依次对多个同时间和同频率下的不同卫星终端用户点处的二维可视化图片上的元素值进行锐化隐没处理并进行图像灰度提取后得到三维频谱图。[0055]在另一些实施例中，对于一个二维可视化图片上的元素值，统计方差计算式为：[0056][0057]k_1∈(1,termination)；[0058]其中，表示统计方差，ntermination表示卫星终端用户点的数量，dfti，j表示固定频率、固定时间下的所有元素值，i表示时间，j表示频率。表示固定频率、固定时间条件下垂直于二维可视化图片的平面上所有元素值的平均值，k表示卫星终端用户点。[0059]去除偏离程度大于目前统计方差的元素值然后继续计算剩余元素值的统计方差且k_2≠k_2→δ_1，去除偏离程度大于目前统计方差的元素值重复上述操作直至剩余元素值统计方差小于预设统计方差阈值表明目前剩余元素值能准确表征该时频域条件下的元素值，计算剩余元素值的统计平均值，计算式为：[0060][0061]kn≠k_1→δ_1,k_2→δ_2,……,k_n→δ_n；[0062]将该统计平均值作为该时频域条件下的元素值，并认为该组元素值有效，统计平均值填充到被去除掉的元素值位置处上述即进行了元素值锐化操作；如果计算统计方差次数n大于预设极限次数nend后依然存在偏离程度δ大于预设统计方差阈值的数据，则表明计算该组元素值时的原始数据受到不同程度干扰,认为该组元素值无效，在该组元素值位置处填充零并进行颜色隐没操作。[0063]在一些实施例中，对平面图谱中的各元素值做图像灰度提取处理得到二维可视化图片，包括图像灰度提取的计算式为：[0064][0065]i∈(t1,ttermination)；[0066]j∈(f1,ftermination)；[0067]其中，rgb为三通道分别表示红、绿、蓝，i表示时间，j表示频率，t1表示起始时间，ttermination表示结束时间，f1表示起始频率，ftermination表示结束频率。通过图像灰度提取可以将元素值的大小转化为深浅不同的灰度图。[0068]在步骤s102中，应用图快速傅里叶变换与图拉普拉斯矩阵相结合的方法提取射频信号的频域特征，即将三维谱阵图向时频域所在的二维平面进行投影，得到各卫星终端用户点叠加的二维可视化频谱图，对该二维可视化频谱图根据灰度颜色由深至浅进行抽样，将三维谱阵图向二维平面投影，三维谱阵图上的各元素值也会叠加，即得到的抽样元素值可能是由多个元素值叠加得到的，因此需要运用图快速傅里叶变化计算得到子图像上的元素值，用于后续计算抽样元素值的拉普拉斯算子以及表征射频信号的频域特征。应用三维热度纹理映射方法提取射频接收信号时频特性，分别从全时间域和全频率域对三维谱阵图沿元素值梯度值最大方向进行切割，得到两类切割表面，一类是在固定频率下，找到各二维可视化图片上元素值最大的位置以及与该最大元素值相邻的8个元素值，计算该最大元素值与8个相邻元素值的梯度并沿梯度最大值方向进行切割，得到三维谱阵图的第一切割表面；另一类是在固定时间下，找到各二维可视化图片上元素值最大的位置以及与该最大元素值相邻的8个元素值，计算该最大元素值与8个相邻元素值的梯度并沿梯度最大值方向进行切割，得到三维谱阵图的第二切割表面。第一切割表面和第二切割表面是凹凸不平的，切割表面是由多个离散的元素值组成的，切割表面的高低代表元素值的大小。由于不同的射频信号调制方式的特征不同，如fsk信号的频域特征显著、qam信号的时频特性显著、apsk信号的幅相特征显著，因此得到射频信号的特征后采用目标决策函数值确定由哪一个特征生成射频语义图谱。[0069]在一些实施例中，按照各子序列中元素的位置对二维可视化频谱图进行采样得到多个子图像，还包括，对各子图像对应的子序列进行图快速傅里叶变化，得到各子序列的变换序列，[0070]变换序列的计算式为：[0071][0072][0073]其中，xx(s)表示变换序列，2m表示抽样元素值的总量，subsequencex表示子序列，j表示频率，2l表示子序列的数量，u表示子序列中的元素值。对子图像对应的子序列进行图快速傅里叶变化能够表征子图像的频域特征，降低噪声，识别信号的隐藏特征以及得到子图像中的元素值。[0074]在一些实施例中，计算每个子图像上各抽样元素值的拉普拉斯算子并组合得到所有抽样元素值的拉普拉斯矩阵，包括，各抽样元素值的拉普拉斯算子计算式为：[0075][0076][0077]其中，δlm表示拉普拉斯算子，m表示抽样元素值的顺序号，ωm→m-1表示边权重，dft_addm表示子图像上的任一抽样元素值，dft_addm-i表示子图像上与任一抽样元素值相邻的八个抽样元素值，i表示从-4到4的正整数和负整数。子图像上每个抽样元素值都与八个抽样元素值相邻，边权重为相邻两个抽样元素值差值的平方。计算所有抽样元素值的拉普拉斯算子得到拉普拉斯矩阵，拉普拉斯矩阵中的拉普拉斯算子直观表征某一元素值进行微小扰动后获得的总增益以及频域中元素值的变化态势。[0078]再另一些实施例中，样本元素值的数量为2的整数次幂2m以满足快速傅里叶变换的要求，同样将抽取得到的抽样元素值划分为2的整数次幂2l个子序列，则各子序列可表示为：[0079][0080]其中，subsequence1到表示子序列，dft_add1到表示抽样元素值，一个子序列对应一个子图像。[0081]在一些实施例中，从全时间域以及全频率域对三维谱阵图沿元素数值梯度绝对值方向进行切割，计算切割表面任一元素值的多个相邻元素值对该元素值的影响值并进行噪声插值，按数值大小将噪声值与各元素值渲染为热度图以表征射频信号的时频特征，还包括，[0082]分别计算第一切割表面和第二切割面上任一元素值与相邻8个元素值的梯度向量和距离向量，将梯度向量与相应的距离向量相乘并累加得到8个相邻元素值对该元素值的影响值，采用非线性插值函数对影响值进行噪声值插值，使得第一切割面和第二切割面表面更加平滑，将噪声值与三维谱阵图上的各元素值按照数值大小渲染为热度图并表征时频特征。在第一切割表面和第二切割表面任一元素值都与八个元素值相邻，计算八个元素值与该元素值的梯度向量与距离向量并计算点积，点积正负表示八个元素值对该元素值影响值的正负，采用柏林噪声函数对影响值插值，以是的第一切割表面和第二切割表面更平滑。[0083]在一些实施例中，计算各卫星终端用户点在全时间域接收到的射频信号的幅度以及相位，并按各卫星终端用户点的序号排列映射得到类等高线三维立体图，以表征射频信号的幅相特征，包括，[0084]计算每个卫星终端用户点在全时间域接收到的射频信号的虚实部的模以及虚实部的反正切三角函数得到每个卫星终端用户点的射频信号的信号幅度以及相位，将每个卫星终端用户点的信号幅度及幅度绘制成等高线表征相位、填充颜色表征幅度的类等高线图，将各卫星终端用户点的类等高线图按照各卫星终端用户点的序号依次排序映射得到射频信号的类等高三维立体图。在类等高三维立体图中，海拔越高代表幅度越大，海拔数目代表射频接收信号幅度大小数目，离散闭合等高线数目代表射频接收信号相位大小数目。[0085]在一些实施例中，分别计算频域特征、时频特征以及幅相特征的交叉熵值，并将最大交叉熵值对应的特征用于生成射频语义图谱，包括，[0086]交叉熵值的计算式为：[0087][0088]其中，l(i)表示交叉熵值，n表示进行实验的次数，αj表示各射频语义图谱类型选择权重，yi表示射频图谱中各语谱元素值，pi表示选择射频语义图谱的概率。目标决策函数值采用交叉熵进行计算，并将交叉熵值最大的特征用于生成射频语义图谱。[0089]在步骤s103中，预训练的低轨卫星射频语义图谱识别分类模型中，输入层接收生成的各种射频语义图谱；设计卷积层包括各类射频语义图谱中语谱元素所表征的实际物理含义；设计池化层为最大池化方案，解决卷积计算后的语谱元素所表征物理含义的重复性及部分数据无效性的问题并实现有效替代；设计全连接层将所有处理后的语义图谱元素重组为一维数据序列，以满足图卷积神经网络只有针对一维数据序列才能识别分类的要求；设计激活函数为relu函数，保证迭代分类权重参数矩阵时反向传播梯度永远不为0，可持续迭代优化权重矩阵直至损失函数满足要求。最终确定预设低轨卫星射频语义图谱识别分类模型参数与结构。将射频语义图谱输入预训练的低轨卫星射频语义图谱识别分类模型，输出得到射频信号某种调制方法的概率，最大概率对应的方法即为接收到的射频信号的调制方法。[0090]在一些实施例中，对低轨卫星射频语义图谱识别分类模型进行训练时，采用大量的频域特征射频语义图谱、幅相特征射频语义图谱以及时频特征射频语义图谱对低轨卫星射频语义图谱识别分类模型进行训练，输出得到射频信号的调制方法。训练得到性能良好的卫星射频语义图谱识别分类模型后将频域特征射频语义图谱、幅相特征射频语义图谱以及时频特征射频语义图谱作为低轨卫星射频语义图谱识别分类模型的标签以识别后续输入的射频语义图谱所属信号调制方法。[0091]在步骤s104中，根据交叉熵值确定生成的射频语义图谱的类型。若交叉熵值最大的是频域特征，则根据rss(简易信息聚合)连续动态变化规律和变化方向一致性原则的变化率稳定性性质，依次对子图像中的元素值与元素值变化态势总增益分别按照相对于整体数据集合的设定比例映射为语义图谱元素的色度与亮度，得到频域特征射频语义图谱；若交叉熵值最大的是时频特征，则根据宽带信道模型、干扰波动、随机噪声等先验计算射频信号的平均接收功率和接收信干燥比，并将接收信干燥比与设定值比较判断通信带宽的各频点是否被干扰占据，若被干扰占据则该频点信号为误码信号，若未被干扰占据则该频点信号为没有误码信号，赋予误码信号和没有误码信号不同颜色并构建时频特征射频语义图谱。若交叉熵值最大的是幅相特征，则根据三维立体等高模型中“海拔高度”数目与闭合“海拔水平线”数目的映射关系将对应幅相数值根据边缘-中心扩展原则填充至语义图谱中的对应位置，即得到幅相特征射频语义图谱。类等高三维立体图是一个类似于山峰形状的、一圈一圈向上的、底层闭合圈大、上层闭合圈小的立体图，高度小但半径大的圈表征相位小幅度大，在一个圈上的相位值是固定的，高度表征相位值、半径表征幅度值。对于生成幅相特征射频语义图谱，半径大的圈在外围，表征幅度大，但相位小；半径小的圈在靠近内部，表征幅度小，但是相位大。幅相特征射频语义图谱是二维的，但幅相特征射频语义图谱每个位置处有元素值数值大小与元素值颜色深浅两个变量指标。幅相特征射频语义图谱元素数值从边缘至中心逐渐变小，表征幅度值由大变小，图谱元素颜色深度从边缘至中心逐渐变深，表征相位值由小变大。其中，频域特征射频语义图谱中各元素表征像素点色度与亮度，时频特征射频语义图谱中各元素表征干扰是否占用信道1比特信息，即各频点射频信号是否误码，由幅相特征射频语义图谱中各元素位置及颜色分别表征图射频信号的相位及幅度。其中，1比特信息表征的是各频点处，理应正常传输的信息。[0092]进一步地，平均接收功率计算式为：[0093][0094]接收端信干噪比计算方法如下：[0095]sinr：[0096][0097][0098][0099][0100]其中，pt表示发射功率，gt表示卫星发射天线增益，lpath表示路径损耗，lrain表示云雨衰减，latmosphere表示大气衰减，lscintillation表示闪烁效应，lshadow表示阴影衰落，lspace表示与传播路径中各衰落类型无关的功率损耗(线缆损耗、器件损耗、天线损耗等)，gr表示接收终端天线增益，gb表示空基天线增益，λ表示信号波长(m)，d表示卫星发射端与地面接收端距离(m)，功率、增益、损耗单位均为w。表示接收信干燥比sinr，p,u表示接收信号功率，m,n表示时频特征射频语义图谱两条边的长度。[0101]下面结合一具体实施例进行说明，[0102]本发明提供一种基于射频学习的低轨卫星信号调制识别方法，如图1所示，包括，[0103]步骤一：时空三维谱阵图生成[0104]其主要做法是：根据三维谱阵各坐标轴变量约束限制条件构建三维立体模型；设计低轨卫星通信场景下同时频域条件多用户点语谱元素锐化隐没判决方案，语谱元素判决值根据每次计算结果自适应调整，判决结果依次叠加；最后根据三维立体模型与语谱元素判决准则生成时空三维谱阵图。[0105](1)根据三维谱阵各坐标变量约束条件构建三维立体模型：三坐标轴变量类型为时间ti、频率fj、卫星终端用户点pue→k。首先建模在相同卫星终端用户点位uek处的时频域模型，接收数据持续一段固定的时间timeallstatistics，对一个时间点的接收数据进行dft，一次dft运算的结果可以形象地认为是“一条线”表示此时间点的频谱，将连续多个时间点ti的接收数据dft结果按时间演进t1→ttermination堆叠组合成“一个面”，同时表达时频域信息特征，在此二维平面中，横轴表示频率域、纵轴表示时间域、元素值为dft计算结果。将各元素值dfti,j按图像rgb→gary颜色转换方式进行映射绘制一张二维可视化图片，颜色转换方法如下：[0106][0107]i∈(t1,ttermination),j∈(f1,ftermination)；[0108]然后绘制在相同时频域条件下不同卫星终端用户点uek处的二维可视化图片，将用户点位进行序号排列，按照序号升序1→termination对诸多二维可视化图片进行叠加，如此即将二维平面拓展到三维立体空间,三维空间中的各个数值元素为dft(i,j,k)；最后根据每个三维空间中各个dft数据的大小将其用不同的灰度进行表征。[0109](2)设计多用户点三维语谱元素锐化隐没sharpen-fade判决方案：在二维可视化图片中各个元素位置处的图谱颜色深度代表不同的dft运算结果，将相同时频域条件下不同卫星终端用户点位处的二维可视化图片中的各个dft运算结果进行统计分析以利于对该组dft数据进行锐化隐没操作。首先得到一组数目为用户序号数1→termination的dft数据，计算该组dft数据的统计方差,方法如下：[0110][0111]去除偏离程度大于目前统计方差的dft数值dfti,j,k_1→δ_1，然后继续计算剩余dft数据的统计方差且k_2≠k_2→δ_1，去除偏离程度大于目前统计方差的dft数值重复上述操作直至剩余数据统计方差小于预设统计方差阈值表明目前剩余数据能准确表征该时频域条件下的dft运算结果，计算剩余dft数据的统计平均值，计算式为：[0112][0113]kn≠k_1→δ_1,k_2→δ_2,……,k_n→δ_n；[0114]并作为该时频域条件下的dft计算结果，则认为该组dft数据有效，统计平均值填充到被去除掉的数据位置处上述即进行了数值锐化操作；如果计算统计方差次数n大于预设极限次数nend后依然存在偏离程度δ大于预设统计方差阈值的数据，则表明计算该组dft数据时的原始数据受到不同程度干扰,认为该组dft数据无效，在该组dft数据位置处填充零并进行颜色隐没操作，弱化干扰影响。[0115]步骤二：提取显性随机特征图谱语义信息[0116]其主要做法是：设计显性随机特征提取方案，应用图快速傅里叶变换与拉普拉斯矩阵相结合的方法提取低轨卫星接收终端射频信号频域特性，应用三维热度纹理映射方法提取低轨卫星接收终端射频信号时频位特性，应用三维等高映射方法提取低轨卫星接收终端射频信号幅相特征；最后根据目标决策函数确定用于射频语义图谱生成的语义信息。[0117](1)应用图快速傅里叶变换与图拉普拉斯矩阵相结合方法提取信号频域特征：将步骤一中生成的时空三维谱阵图向时频域平面进行投影，得到各个用户点叠加的二维可视化频谱图，对该投影得到的频谱图根据语谱元素颜色由深至浅进行抽样，样本数n为2的整数次幂n＝2m以满足快速傅里叶变换的要求，同样将抽取得到的样本数据序列划分为2的整数次幂2l个子序列：[0118][0119]每个子序列subsequencex,x∈(1,2l)映射到二维可视化频谱图中即为整体图像的一部分imagex,x∈(1,2l)，则需对原始图像按照子序列对应图像部分进行图像分割得到子图像，对子图像对应的子序列进行离散傅里叶变换，[0120]计算式为：[0121][0122]由此得到x个子序列dft变换序列，然后再将x个dft变换序列组合成样本数据dft变换序列。同时计算子图像每个抽样数据处的拉普拉斯算子得到图拉普拉斯矩阵，在投影并抽样得到的二维可视化平面中每个抽样数据都与8个抽样数据相邻，相邻两个抽样数据的差值εm→m-1＝dft_addm-dft_addm-1的平方定义为边权重ωm→m-1，此抽样数据的加权度为与其相邻的8个抽样数据的边权重之和。由于二维可视化平面中有2m个抽样数据，则定义邻接矩阵w为2m×2m的矩阵，矩阵元素ωmn为相邻两个抽样数据的边权重。加权度矩阵d的主对角线元素为每个抽样数据的加权度，其他位置的元素为0，则此抽样数据的拉普拉斯算子为[0123][0124][0125][0126]其中wm为邻接矩阵的第m行，由上述可推理得到，对于所有抽样数据，得到拉普拉斯矩阵为[0127][0128]拉普拉斯矩阵中的拉普拉斯算子直观表征某一语谱元素进行微小扰动后获得的总增益以及频域dft数值变化态势。[0129](2)应用三维热度纹理映射方法提取图信号时频特性：将步骤一中生成的时空三维谱阵图，分别从全时间域及全频率域对三维谱阵图按照三维谱阵元素数值梯度绝对值方向gradient_imax进行切割，[0130][0131][0132][0133]a∈(-termination,termination)；[0134][0135]a∈(-termination,termination)；[0136]其中，dftimax,f1,k(k)是对应第k个用户终端的时频图，f1频率固定的情况下，寻找在该频率下所有时刻处dft数值最大值。这个是从时间域进行数值寻找。所有用户处的时频图都继续上述操作，在三维立体图中表现为一个凹凸不平的切割。dftt1,fmax,k(k)是针对第k个用户终端的时频图，t1时间固定的情况下，寻找在该时刻下所有频率处dft数值最大值。这个是从频率域进行寻找。所有用户处的时频图都进行上述操作，在三维立体图中表现为一个凹凸不平的切割面。是基于上述第一种切割面，切割面中任意一个dft数值与八个dft数据相邻，gradient_imax计算该dft数值与相邻八个数据的梯度最大值。gradient_jmax对应第二种切割图。[0137]由此得到两类表面凹凸不平的切割面，切割表面各点高低代表dft数值大小，为显著表征切割面高低区别，实施三维热度纹理映射，在三维谱阵空间中定义柏林噪声函数，切割表面是由若干个高低不等离散的dft数据构成，任意一个dft数据都与8个数据相邻，计算该dft数据与相邻8个数据的梯度向量grad＝(grad.t,grad.f,grad.ue)与距离向量dist＝(dist.δt,dist.δf,dist.δue)，将对应的梯度向量与距离向量做点积grad.t*dist.δt+grad.f*dist.δf+grad.ue*dist.δue，则得到相邻8个数据点对该dft数据的影响值，点积正负表征影响值正负，然后对8个相邻数据的影响值按照非线性插值fade函数6x5-15t4+10t3进行噪声插值noiseinterpolation使切割表面更加平滑，最后将噪声值与原dft数值按照数值大小渲染为热度图，热度图中的颜色明暗分布表征信号时频特性。[0138](3)应用三维等高映射方法提取射频接收信号幅相特征：将低轨卫星接收终端用户点uek全时间域接收到的射频信号数据通过虚实部求模虚实部反正切三角函数求出该组数据的幅度及相位，然后绘制等高线表征相位、填充颜色表征幅度的类等高线图。同理计算所有用户点uek全时间域射频接收信号幅相a-p特征类等高线图，将这些类等高线图按照用户序号1→termination排序映射得到类等高线三维立体图，“海拔”h越高代表幅度a越大，离散“海拔”数目nh代表射频接收信号幅度大小数目na，离散闭合等高线数目ndc代表射频接收信号相位大小数目np，由此从类等高三维立体图中映射得到射频接收信号幅相特征。[0139](4)目标决策函数值确定用于射频语义图谱生成的语义信息：不同调制信号其显性随机特征不同，因此需通过目标决策函数选择上述三个特征中最显著最适配的特征作为射频语义图谱生成的语义信息。目标决策函数值采用交叉熵进行计算，不同调制方式各种显性特征的选择权重αj不同，对于某种调制方式射频接收信号数据，其对应显性特征的选择概率pi也不同。如下为交叉熵l(i)计算公式：[0140][0141]其中，l(i)表示交叉熵值，n表示进行实验的次数，αj表示各射频语义图谱类型选择权重，yi表示射频图谱中各语谱元素值，pi表示选择射频语义图谱的概率。当某一显性特征对应交叉熵值大于其他显性特征交叉熵值时，选择该显性特征用于生成射频语义图谱。[0142]步骤三：设计射频语义信息图谱构建方案[0143]其主要做法是：确定低轨卫星互联网射频语义信息图谱中各元素所表征的实际物理含义，由频域特性提取得到的语义图谱矩阵中各元素表征像素点色度与亮度，由时频特征提取得到的语义图谱矩阵中各元素表征干扰是否占用信道1比特信息，由幅相特征提取得到的语义图谱矩阵中各元素位置及颜色分别表征图信号相位及幅度；根据语义图谱元素所代表实际含义并在先验模型知识(周期性、rss动态变化规律、变化方向一致性问题等)基础上应用图谱构建方法构建低轨卫星互联网射频语义信息图谱。[0144](1)频域特征射频语义图谱构建方案：步骤二中应用图fft与图拉普拉斯矩阵相结合的方法直观且准确得反映了整个图像各部分的频谱变化态势，依据rss(简易信息聚合)连续动态变化规律的持续“推送”关联“喜好”信息[0145][0146]及变化方向一致性原则的变化率稳定性性质(lthreshold为变化率临界值)：[0147][0148]依次对子图像中的dft数值与dft数值变化态势总增益δlm分别按照相对于整体数据集合的比例映射为语义图谱元素的色度与亮度，即得到频域特性射频语义图谱。[0149](2)时频特征射频语义图谱构建方案：步骤二中应用三维热度纹理映射方法得到的三维热度图明暗分布规律准确表征了射频接收信号的时频特性。依据先验的宽带信道模型ntn-tdl-abcd、干扰波动如邻频干扰互调干扰杂散干扰等、随机噪声如电磁噪声脉冲噪声起伏噪声等、二维纹理映射等先验知识计算平均接收功率paverage与接收信干噪比sinr等推理算法知识，并将推理算法知识分别与预设值p0,th,ρth进行比较，根据比较结果判决由时频特征提取得到的语义图谱元素absence、presence是否表征干扰占用信道的1比特信息，即得到时频特性射频语义图谱。[0150]平均接收功率计算方法如下：[0151][0152]接收端信干噪比计算方法如下：[0153][0154][0155][0156][0157][0158]其中，其中，pt表示发射功率，gt表示卫星发射天线增益，lpath表示路径损耗，lrain表示云雨衰减，latmosphere表示大气衰减，lscintillation表示闪烁效应，lshadow表示阴影衰落，lspace表示与传播路径中各衰落类型无关的功率损耗(线缆损耗、器件损耗、天线损耗等)，gr表示接收终端天线增益，gb表示空基天线增益，λ表示信号波长(m)，d表示卫星发射端与地面接收端距离(m)，功率、增益、损耗单位均为w。表示接收信干燥比sinr，p,u表示接收信号功率，m,n表示时频特征射频语义图谱两条边的长度。[0159](3)幅相特征射频语义图谱构建方案：步骤二中应用三维等高映射方法得到的类等高三维立体图准确表征了射频接收信号的幅相特征。依据三维立体等高模型中“海拔高度”数目与闭合“海拔水平线”数目nh-ndc的映射关系将对应幅相a-p数值根据边缘-中心扩展原则填充至语义图谱中的对应位置pij，即得到幅相特征射频语义图谱。[0160]步骤四：基于图卷积神经网络的调制识别算法设计[0161]其主要做法是：形成多种显性语义特征生成的射频语义信息图谱集合；然后构建基于图卷积神经网络的调制识别模型，设计输入层、卷积层、池化层、全连接层及激活函数，训练模型迭代优化权重参数矩阵，最终确定神经网络模型参数与结构；最后通过在输入层输入低轨卫星互联网射频语义信息图谱，输出调制识别结果。[0162](1)构建显性特征射频语义图谱集合根据步骤三生成的三种类型低轨卫星互联网射频语义图谱构建标准的图像集合，将此图谱集合作为图卷积神经网络输入层进行图像输入，生成图卷积神经网络内置标准图谱标签[0163](2)构建基于图卷积神经网络的低轨卫星互联网射频语义图谱识别分类模型：设计图卷积神经网络输入层接收步骤三中生成的各种射频语义图谱；设计卷积层包括各类射频语义图谱中语谱元素所表征的实际物理含义；设计池化层为最大池化方案，解决卷积计算后的语谱元素所表征物理含义的重复性及部分数据无效性的问题并实现有效替代；设计全连接层将所有处理后的语义图谱元素重组为一维数据序列，以满足图卷积神经网络只有针对一维数据序列才能识别分类的要求；设计激活函数为relu函数，保证迭代分类权重参数矩阵时反向传播梯度永远不为0，可持续迭代优化权重矩阵直至损失函数满足要求。最终确定基于图卷积神经网络的低轨卫星互联网射频语义图谱识别分类模型参数与结构。[0164](3)基于低轨卫星互联网射频语义图谱识别分类模型的调制方式识别策略：将射频语义图谱输入构建好的调制识别图卷积神经网络模型，图卷积神经网络输出的将是属于某种调制方式的概率值，最大概率值对应的调制方式即为接收到的射频信号调制方式。[0165]综上所述，本发明所述基于射频学习的低轨卫星信号调制识别方法及装置，根据射频信号计算出元素值并构建三维谱阵图，提取三维谱阵图中的频域特征、时频特征以及幅相特征，通过计算各特征的交叉熵值确定生成射频语义图谱的信号特征；根据频域特征得到频域特征射频语义图谱，时频特征得到的时频特征语义图谱，幅相特征得到幅相特征射频语义图谱；构建低轨卫星射频语义图谱识别分类模型，将最大交叉熵值对应的特征语义图谱输入低轨卫星射频语义图谱识别分类模型，对其进行分类识别输出调制识别结果。将对射频信号的处理转化为对图像的处理，提高了低轨卫星通信场景下对信号调制方法的识别准确率。[0166]进一步地，设计了一种同时频域条件下的元素值锐化隐没判决方案，隐没由于受干扰而无效的元素值，锐化有效元素值，消除了信道噪声干扰的影响，提高了信号调制识别的准确率。[0167]进一步地，采用不同的提取方法对三维谱阵图中射频信号不同的显性特征进行提取，提高了信号特征提取的准确性。[0168]进一步地，针对不同的显性特征采用不同的方法构建射频语义图谱，使得不同的显性特征所表征的实际物理含义不同，从而便于低轨卫星射频语义图谱识别分类模型对于射频语义图谱中信号的调制方法进行识别，提高了识别准确率。[0169]与上述方法相应地，本发明还提供了一种装置该装置包括计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机指令，所述处理器用于执行所述存储器中存储的计算机指令，当所述计算机指令被处理器执行时该装置实现如前所述方法的步骤。[0170]本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时以实现前述边缘计算服务器部署方法的步骤。该计算机可读存储介质可以是有形存储介质，诸如随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、软盘、硬盘、可移动存储盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质。[0171]本领域普通技术人员应该可以明白，结合本文中所公开的实施方式描述的各示例性的组成部分、系统和方法，能够以硬件、软件或者二者的结合来实现。具体究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。[0172]需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。[0173]本发明中，针对一个实施方式描述和/或例示的特征，可以在一个或更多个其它实施方式中以相同方式或以类似方式使用，和/或与其他实施方式的特征相结合或代替其他实施方式的特征。[0174]以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!