技术领域
[0001] 本
发明涉及无线通信技术领域，特别是涉及一种无线电发射机识别方法及装置。
背景技术
[0002] 随着移动互联网的迅速发展，各种开放式的无线公共接入
节点被大量部署。然而，由于网络接入
软件层的身份标志容易被篡改，导致一些非法设备的接入很难被识别。为了解决该问题，基于接入设备发射机
硬件层固有属性特征的无线电发射机识别技术应运而生。该技术是利用信息论，统计
机器学习等方法，分析无线电发射机在硬件上的非线性
缺陷问题，通过
信号处理方法从接收信号中提取出不同发射机个体硬件层的特征差异学习，从而分辨出不同的个体。
[0003] 目前，可以基于发射机非线性的统计特征进行发射机识别。具体的，从器件非线性的
角度来建模发射机非线性行为，揭示了发射机个体差异特征的形成机理，再使用合适的机器学习
算法作为决策准则处理提取的特征，最终完成识别。
[0004] 然而，现有的基于发射机非线性的统计特征进行发射机识别技术存在不足之处。例如，基于发射机中功率
放大器非线性特征进行识别的方法中，存在高阶复杂度较大，从而影响计算速度和准确度的问题。
发明内容
[0005] 本发明
实施例的目的在于提供一种无线电发射机识别方法及装置，以实现低复杂度，高准确度的识别无线电发射机。具体技术方案如下：
[0006] 为实现上述目的，本发明实施例提供了一种无线电发射机识别方法，应用于无线通信系统的接收机，所述方法包括：
[0007] 获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设
输入信号经过所述发射机中的放大器后得到的；
[0008] 基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；
[0009] 将所述多个维度的特征输入预先训练完成的
随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应
抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。
[0010] 可选的，所述预设输入信号为：
[0011]
[0012] 其中，h(n)表示所述预设输入信号，n为
采样点，N表示信号采样点总数，fs表示采样
频率，fc表示载频，g(n)表示数字基带调制信号，cos()表示余弦调制函数；
[0013] 所述发射信号为：
[0014]
[0015] 其中，φ(n)表示所述发射信号，L0表示对齐项的非线性阶数，L1表示滞后项的非线性阶数，Q0表示对齐项的记忆深度，Q1表示滞后项的记忆深度，m表示滞后系数，cp(q)和cp(q,m)表示模型系数；
[0016] 所述接收信号为：
[0017] r(n)＝φ(n)+ω(n)
[0018] 其中，r(n)表示所述接收信号，ω(n)表示噪声信号。
[0019] 可选的，所述基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征的步骤，包括：
[0020] 基于如下公式，提取所述放大器的多个维度的特征：
[0021]
[0022] 其中，ci表示所述放大器的第i个维度的特征，Mi表示构造矩阵，ri表示所述接收信号的离散向量。
[0023] 可选的，采用如下步骤确定所述随机森林分类器针对各个维度的特征的相应抽取权重：
[0024] 针对每个维度的特征，重新划分类别标签区间集，基于该维度的特征在划分前后的区间集中的概率，按照如下公式计算该维度的特征的瑞丽熵值：
[0025]
[0026] 其中，Ir(Ai,S)表示第i个维度的特征的瑞丽熵值，r表示预设系数，sj表示标签类别，di表示重新划分的区间集，di,A表示特征A属于di区间，p(di,A)表示特征A属于di区间的概率，p(sj)表示标签类别sj在原数据集D中的概率，p(di,A,sj)表示样本特征同时满足A∈di和s＝sj的概率；
[0027] 基于各个维度的特征的瑞丽熵值，按照如下公式，计算各个维度的特征的抽取权重：
[0028]
[0029] 其中，wi表示第i个维度的特征的抽取权重，N表示维度数量。
[0030] 为实现上述目的，本发明实施例还提供了一种无线电发射机识别装置，应用于无线通信系统的接收机，所述装置包括：
[0031] 获取模
块，用于获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；
[0032] 提取模块，用于基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；
[0033] 识别模块，用于将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。
[0034] 可选的，所述预设输入信号为：
[0035]
[0036] 其中，h(n)表示所述预设输入信号，n为采样点，N表示信号采样点总数，fs表示
采样频率，fc表示载频，g(n)表示数字基带调制信号，cos()表示余弦调制函数；
[0037] 所述发射信号为：
[0038]
[0039] 其中，φ(n)表示所述发射信号，L0表示对齐项的非线性阶数，L1表示滞后项的非线性阶数，Q0表示对齐项的记忆深度，Q1表示滞后项的记忆深度，m表示滞后系数，cp(q)和cp(q,m)表示模型系数；
[0040] 所述接收信号为：
[0041] r(n)＝φ(n)+ω(n)
[0042] 其中，r(n)表示所述接收信号，ω(n)表示噪声信号。
[0043] 可选的，所述提取模块，具体用于：
[0044] 基于如下公式，提取所述放大器的多个维度的特征：
[0045]
[0046] 其中，ci表示所述放大器的第i个维度的特征，Mi表示构造矩阵，ri表示所述接收信号的离散向量。
[0047] 可选的，所述装置还包括：计算模块，所述计算模块用于：
[0048] 针对每个维度的特征，重新划分类别标签区间集，基于该维度的特征在划分前后的区间集中的概率，按照如下公式计算该维度的特征的瑞丽熵值：
[0049]
[0050] 其中，Ir(Ai,S)表示第i个维度的特征的瑞丽熵值，r表示预设系数，sj表示标签类别，di表示重新划分的区间集，di,A表示特征A属于di区间，p(di,A)表示特征A属于di区间的概率，p(sj)表示标签类别sj在原数据集D中的概率，p(di,A,sj)表示样本特征同时满足A∈di和s＝sj的概率；
[0051] 基于各个维度的特征的瑞丽熵值，按照如下公式，计算各个维度的特征的抽取权重：
[0052]
[0053] 其中，wi表示第i个维度的特征的抽取权重，N表示维度数量。
[0054] 为了实现上述目的，本发明实施例还提供了一种
电子设备，包括处理器、通信
接口、
存储器和通信总线，其中，处理器，
通信接口，存储器通过通信总线完成相互间的通信；
[0056] 处理器，用于执行存储器上所存放的程序时，实现上述任一无线电发射机识别方法步骤。
[0057] 为了实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一方法步骤。
[0058] 采用本发明实施例提供的无线电发射机识别方法及装置，获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。可见，能够从接收信号中提取发射机中放大器的多个维度的特征，并采用随机森林分类器对无线电发射机进行识别，相比于相关的发射机识别技术，显著降低了计算复杂度。此外，随机森林分类器具备针对各个维度特征的相应的抽取权重，更好的抽取重要度较高的特征，进一步提高了识别准确度。
[0059] 当然，实施本发明的任一产品或方法必不一定需要同时达到以上所述的所有优点。
附图说明
[0060] 为了更清楚地说明本发明实施例或
现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0061] 图1为本发明实施例提供的无线电发射机识别方法的一种流程示意图；
[0062] 图2为本发明实施例提供的训练随机森林分类器的示意图；
[0063] 图3为本发明实施例提供的使用随机森林分类器进行无线电发射机识别的示意图；
[0064] 图4为本发明实施例提供的无线电发射机识别装置的一种结构示意图；
[0065] 图5为本发明实施例提供的电子设备的一种机构示意图。
具体实施方式
[0066] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0067] 为了解决现有的无线电发射机识别技术存在的复杂度较高，影响准确度的技术问题，本发明实施例提供了一种无线电发射机识别方法、装置、电子设备及计算机可读存储介质。
[0068] 本发明实施例提供的无线电发射机识别方法可以应用于无线通信系统的接收机。下面结合附图进行介绍。
[0069] 参见图1，图1为本发明实施例提供的无线电发射机识别方法的一种流程示意图，可以包括以下步骤：
[0070] S101：获取发射机的发射信号经过信道传输后的接收信号，发射信号是预设输入信号经过发射机中的放大器后得到的。
[0071] 本发明实施例中，发射机的发射信号经过
信号传输后被接收机获取，接收机可以通过接收信号识别无线电发射机的类别。
[0072] 本发明实施例是根据无线电发射机中的放大器的特征来识别发射机的，具体的，发射机中放大器的输入信号可以预先设置，该输入信号经过放大器后会得到不同的发射信号，从而接收机可以从接收信号中提取出与放大器相关的特征进行识别。具体参见下文。
[0073] S102：基于输入信号，从接收信号中提取放大器的多个维度的特征。
[0074] 本发明实施例中，放大器输出的信号可以看做是输入信号经过非线性放大得到的，此外接收机已知发射机中放大器的输入信号，因此接收机可以采用相关技术从接收信号中提取放大器的多个维度的特征。
[0075] S103：将多个维度的特征输入预先训练完成的随机森林分类器，得到发射机的识别结果，随机森林分类器具备针对各个维度特征的相应抽取权重；随机森林分类器由样本数据集训练，样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。
[0076] 本发明实施例中，在提取出放大器的多个维度的特征后，可以采用随机森林分类器进行分类。具体的，将多个维度的特征输入预先训练完成的随机森林分类器，即可得到放大器的类别，放大器和发射机是一一对应的关系，因此放大器的类别可作为发射机的识别结果。
[0077] 其中，随机森林分类器根据样本数据集训练的，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。
[0078] 本领域技术人员可以理解，随机森林是一个包含多个
决策树的分类器，最终输出的类别由各个决策树输出的类别的众数而定，针对每个决策树来讲，并不是选取所有特征进行分类，而是抽取部分特征。
[0079] 与传统的随机森林分类器不同的是，本发明实施例中训练完成的随机森林分类器具备针对各个维度的特征的相应的抽取权重，即针对各个维度的特征的抽取权重可以不相同。
[0080] 举例来讲，若放大器具备4个维度的特征，分别记为c1,c2,c3和c4。若传统的随机森林分类器，每个决策树均随机抽取2个维度的特征进行分类，则对上述特征c1,c2,c3和c4的抽取概率均为1/4。而本发明实施例中，针对各个维度的特征，可以训练出合适的抽取权重，特征越重要，则相应的抽取权重也越高。若针对上述特征c1,c2,c3和c4的抽取权重分别为1/2，1/3，1/12，1/12，则每个决策树均按照上述抽取权重从特征c1,c2,c3和c4中抽取2个特征进行分类。
[0081] 采用本发明实施例提供的无线电发射机识别方法，获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。可见，能够从接收信号中提取发射机中放大器的多个维度的特征，并采用随机森林分类器对无线电发射机进行识别，相比于相关的发射机识别技术，显著降低了计算复杂度。此外，随机森林分类器具备针对各个维度特征的相应的抽取权重，更好的抽取重要度较高的特征，进一步提高了识别准确度。
[0082] 在本发明的一种实施例中，预设输入信号可以为：
[0083]
[0084] 其中，h(n)表示所述预设输入信号，n为采样点，也可以理解为采样的时刻，N表示信号采样点总数，fs表示采样频率，fc表示载频，g(n)表示数字基带调制信号，cos()表示余弦调制函数。
[0085] 输入信号h(n)经过放大器后，放大器的
输出信号可以视为对h(n)进行非线性放大的信号。在本发明的一种实施例中，可以采用简易广义多项式模型来表示放大器的输出信号，也就是发射信号。
[0086] 具体的，发射信号φ(n)可以表示为：
[0087]
[0088] 其中，L0表示对齐项的非线性阶数，L1表示滞后项的非线性阶数，Q0表示对齐项的记忆深度，Q1表示滞后项的记忆深度，m表示滞后系数，cp(q)和cp(q,m)表示模型系数，h(n-q)表示在n-q时刻的输入信号，h(n-q+m)表示在n-q+m时刻的输入信号。上述对齐项和滞后项的非线性阶数，以及记忆深度均可以根据实际需求进行设定。
[0089] 在本发明的一种实施例中，发射信号经过信道传输后会收到噪声干扰，因此，接收机的接收信号可以表示为：
[0090] r(n)＝φ(n)+ω(n)
[0091] 其中，r(n)表示所述接收信号，ω(n)表示噪声信号。
[0092] 在本发明的一种实施例中，接收机已知发射机的放大器的输入信号h(n)，可以基于简易广义多项式模型对放大器进行建模，基于h(n)生成构造矩阵Mi，并使用最小二乘法估计各个维度的特征ci，具体的表达式可以为：
[0093]
[0094] 其中，ci表示所述放大器的第i个维度的特征，Mi表示构造矩阵，构造矩阵可以根据发射机使用的基带调制信号来构造，即构造矩阵Mi中的元素由输入信号h(n)组成。ri表示所述接收信号的离散向量。MiH表示构造矩阵Mi的转置，(·)-1表示取逆， 表示ri的共轭复矩阵。
[0095] 在本发明的一种实施例中，为了提高与分类相关的维度特征的抽取概率，可以确定针对每一维度的特征的相应抽取权重。
[0096] 具体的，针对每个维度的特征，重新划分类别标签区间集，基于该维度的特征在划分前后的区间集中的概率，按照如下公式计算该维度的特征的瑞丽熵值：
[0097]
[0098] 其中，Ir(Ai,S)表示第i个维度的特征的瑞丽熵值，r表示预设系数，sj表示标签类别，di表示重新划分的区间集，di,A表示特征A属于di区间，p(di,A)表示特征A属于di区间的概率，p(sj)表示标签类别sj在原数据集D中的概率，p(di,A,sj)表示样本特征同时满足A∈di和s＝sj的概率。
[0099] 由于瑞丽熵值可以反映各个维度的特征在分类中的重要程度，因此可以基于瑞丽熵值确定各个维度的特征的抽取权重。
[0100] 具体的，可以采用如下公式计算各个维度的特征的抽取权重：
[0101]
[0102] 其中，wi表示第i个维度的特征的抽取权重，N表示维度数量。
[0103] 进而，随机森林分类器中每个决策树均可以基于上述抽取权重从放大器的各个维度的特征中抽取预设数量的特征，进行分类。
[0104] 可见，本发明实施例中，提高了与分类相关的维度特征的抽取概率，进而提高了发射机的识别准确度。
[0105] 为了便于理解，下面结合附图2，图3对本发明实施例提供的无线电发射机识别方法进一步说明。图2为本发明实施例提供的训练随机森林分类器的示意图；图3为本发明实施例提供的使用随机森林分类器进行无线电发射机识别的示意图。
[0106] 如图2所示，样本空间中每个圆圈代表样本放大器的多个维度的特征，例如第一个圆圈代表第一个样本放大器的各个维度的特征的集合，在训练阶段，随机从样本空间中抽取一部分作为样本子空间，基于计算得到的针对各个维度的特征的抽取权重，抽取部分维度的特征对各个决策树进行训练，生成训练完成的决策树。
[0107] 如图3所示，在分类阶段，将待识别发射机的放大器的多个维度特征输入训练完成的随机森林分类器，随机森林分类器中的每一决策树都基于针对各个维度的特征的抽取权重，从多个维度特征中抽取部分特征进行分类，每一决策树都生成一个分类结果，综合各个决策树的分类结果，确定最终分类结果，从而识别出无线电发射机。
[0108] 相应于本发明实施例提供的无线电发射机识别方法，本发明实施例还提供了一种无线电发射机识别装置，应用于无线通信系统的接收机，参见图4，可以包括以下模块：
[0109] 获取模块401，用于获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；
[0110] 提取模块402，用于基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；
[0111] 识别模块403，用于将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。
[0112] 在本发明的一种实施例中，所述预设输入信号为：
[0113]
[0114] 其中，h(n)表示所述预设输入信号，n为采样点，N表示信号采样点总数，fs表示采样频率，fc表示载频，g(n)表示数字基带调制信号，cos()表示余弦调制函数；
[0115] 所述发射信号为：
[0116]
[0117] 其中，φ(n)表示所述发射信号，L0表示对齐项的非线性阶数，L1表示滞后项的非线性阶数，Q0表示对齐项的记忆深度，Q1表示滞后项的记忆深度，m表示滞后系数，cp(q)和cp(q,m)表示模型系数；
[0118] 所述接收信号为：
[0119] r(n)＝φ(n)+ω(n)
[0120] 其中，r(n)表示所述接收信号，ω(n)表示噪声信号。
[0121] 在本发明的一种实施例中，所述提取模块402，具体可以用于：
[0122] 基于如下公式，提取所述放大器的多个维度的特征：
[0123]
[0124] 其中，ci表示所述放大器的第i个维度的特征，Mi表示构造矩阵，ri表示所述接收信号的离散向量。
[0125] 在本发明的一种实施例中，在图4所示装置
基础上，还可以包括计算模块，所述计算模块用于：
[0126] 针对每个维度的特征，重新划分类别标签区间集，基于该维度的特征在划分前后的区间集中的概率，按照如下公式计算该维度的特征的瑞丽熵值：
[0127]
[0128] 其中，Ir(Ai,S)表示第i个维度的特征的瑞丽熵值，r表示预设系数，sj表示标签类别，di表示重新划分的区间集，di,A表示特征A属于di区间，p(di,A)表示特征A属于di区间的概率，p(sj)表示标签类别sj在原数据集D中的概率，p(di,A,sj)表示样本特征同时满足A∈di和s＝sj的概率；
[0129] 基于各个维度的特征的瑞丽熵值，按照如下公式，计算各个维度的特征的抽取权重：
[0130]
[0131] 其中，wi表示第i个维度的特征的抽取权重，N表示维度数量。
[0132] 采用本发明实施例提供的无线电发射机识别装置，获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。可见，能够从接收信号中提取发射机中放大器的多个维度的特征，并采用随机森林分类器对无线电发射机进行识别，相比于相关的发射机识别技术，显著降低了计算复杂度。此外，随机森林分类器具备针对各个维度特征的相应的抽取权重，更好的抽取重要度较高的特征，进一步提高了识别准确度。
[0133] 相应于无线电发射机识别方法实施例，本发明实施例还提供了一种电子设备，如图5所示，包括处理器501、通信接口502、存储器503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信，
[0134] 存储器503，用于存放计算机程序；
[0135] 处理器501，用于执行存储器503上所存放的程序时，实现如下步骤：
[0136] 获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；
[0137] 基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；
[0138] 将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。
[0139] 上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral Component Interconnect，PCI)总线或扩展工业标准结构(Extended Industry Standard Architecture，EISA)总线等。该通信总线可以分为
地址总线、
数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0140] 通信接口用于上述电子设备与其他设备之间的通信。
[0141] 存储器可以包括
随机存取存储器(Random Access Memory，RAM)，也可以包括
非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
[0142] 上述的处理器可以是通用处理器，包括
中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是
数字信号处理器(Digital Signal Processing，DSP)、专用集成
电路(Application Specific Integrated Circuit，ASIC)、现场可编程
门阵列(Field-Programmable Gate Array，FPGA)或者其他
可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
[0143] 采用本发明实施例提供的电子设备，获取发射机的发射信号经过信道传输后的接收信号，所述发射信号是预设输入信号经过所述发射机中的放大器后得到的；基于所述输入信号，从所述接收信号中提取所述放大器的多个维度的特征；将所述多个维度的特征输入预先训练完成的随机森林分类器，得到所述发射机的识别结果，所述随机森林分类器具备针对各个维度特征的相应抽取权重；所述随机森林分类器由样本数据集训练，所述样本数据集包括：多个样本放大器中每个样本放大器的多个维度的特征，以及每个样本放大器的类别标签。可见，能够从接收信号中提取发射机中放大器的多个维度的特征，并采用随机森林分类器对无线电发射机进行识别，相比于相关的发射机识别技术，显著降低了计算复杂度。此外，随机森林分类器具备针对各个维度特征的相应的抽取权重，更好的抽取重要度较高的特征，进一步提高了识别准确度。
[0144] 本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实现上述任一方法步骤。
[0145] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0146] 本
说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于无线电发射机识别装置、电子设备和计算机可读存储介质实施例，由于其基本相似于无线电发射机识别方法实施例，所以描述的比较简单，相关之处参见无线电发射机识别方法实施例的部分说明即可。
[0147] 以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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，均包含在本发明的保护范围内。
