1.一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征是包括以下步骤：
步骤1、接收机通过频谱分析获得预定信号，并进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号；
步骤2、估算定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点；
步骤3、通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图；
步骤4、通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类。
2.根据权利要求1所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于，步骤1进一步包括：
步骤1-1、对接收的已调信号进行载频提取、正交下变频和低通滤波后，得到被噪声污染的复基带信号波形：
式中，ak是发送的符号，其取值范围为ak∈{exp(j2π(m-1)/m),m＝1,2,...m}；e是发送符号的能量；ts是采样周期；δfc是归一化载波频偏；tb是符号周期；gt(t)是升余弦滚降滤波器的冲击响应；ε是归一化码元定时误差，取值范围为-0.5＜ε＜0.5；
步骤1-2、引入码间干扰消除基带信号采样时存在的定时误差，设接收到的信号时间长度为lt，在这段时间内，认定定时误差ε没有发生变化，为常量；对采用序列rk进行平方操作，则在样本中包含一个频率为1/tb的频谱分量，通过计算每一段数据的傅立叶系数，提取出该频谱分量。
3.根据权利要求1所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于，步骤2采用立方插值滤波器对非最佳采样的数据点进行插值滤波，其中立方插值滤波器的形式为：
y(t)＝b-2(u)x[(m+2)ts]+b-1(u)x[(m+1)ts]+b0(u)x[mts]+b1(u)x[(m-1)ts]
其系数为：
式中，μ是插值滤波算法中的分数间隔参数，通过估计得到的定时误差
4.根据权利要求1所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于，步骤3进一步包括：
步骤3-1、对基带信号进行匹配滤波、符号速率估计、定时估计及插值滤波，得到存在频偏的复基带信号，该信号表示为：
其中，
且有：
相位调制信号中，分别由
步骤3-2、当接收端存在载波频偏时，当前码元的绝对相位除了携带固有的调制信息外，比前一个码元的绝对相位多出一个δωctb，反映在星座图上即为引起了角度为δωctb的旋转；采用相位差分的方法消除载波频偏对星座图恢复的干扰，差分公式如下：
x1(m)＝x*(n)·x(n-1)
其中，n＝2,3...n,m＝n-1；
式中，x(n)表示第n个采样值；x*(n)为x(n)的共轭；x1表示已经恢复的信号应有的星座图状态，将其输入信号调制方式识别模块即可完成对信号调制方式的识别。
5.根据权利要求1所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于，所述步骤4进一步为：
步骤4-1、确定滑动窗口半径r，以随机选取的中心点c，半径为r的圆形滑动窗口进行滑动；
步骤4-2、每一次滑动到新的区域，计算滑动窗口内的均值作为中心点，滑动窗口内的点的数量作为窗口内的密度，在每一次移动中，窗口会向更高密度的区域移动；
步骤4-3、移动窗口，计算窗口内的中心点一级窗口内的密度，直到没有方向在窗口内可以容纳更多的点，即一直移到圆内密度不再增加为止。
6.根据权利要求5所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于，所述步骤4-1到4-3会产生很多个滑动窗口，当多个滑动窗口重叠时，保留包含最多点的窗口，然后根据数据点所在的滑动窗口进行聚类；均值漂移聚类算法对聚类半径敏感，针对星座图上散点的坐标位置，半径选取公式为：
r＝(vmax-vmin)/cof
其中，vmax为同相分量的最大值，vmin为同相分量的最小值，cof为10或16，相位调制信号选取10，幅相调制选取16。
7.一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征是包括如下模块：
通过频谱分析获得预定信号的接收机；
用于进行载波频率估计和带宽估计，带通滤波、下变频后得到基带信号的信号模型构建模块；
用于估算定时误差，并对非最佳采样的数据点进行插值滤波，逼近最佳采样点的定时误差估计模块；
通过对最佳采样点进行相位差分，消除频偏影响，恢复相位差分后的星座图的星座图恢复模块；
通过机器学习的方法对星座图进行聚类，通过聚类点的特征进行调制方式分类的星座图聚类模块。
8.根据权利要求7所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于：
所述信号模型构建模块进一步用于对接收的已调信号进行载频提取、正交下变频和低通滤波后，得到被噪声污染的复基带信号波形：
式中，ak是发送的符号，其取值范围为ak∈{exp(j2π(m-1)/m),m＝1,2,...m}；e是发送符号的能量；tb是符号周期；gt(t)是升余弦滚降滤波器的冲击响应；ε是归一化码元定时误差，取值范围为-0.5≤ε≤0.5；
引入码间干扰消除基带信号采样时存在的定时误差，设接收到的信号时间长度为lt，在这段时间内，认定定时误差ε没有发生变化，为常量；对采用序列rk进行平方操作，则在样本中包含一个频率为1/tb的频谱分量，通过计算每一段数据的傅立叶系数，提取出该频谱分量；
所述定时误差估计模块进一步采用立方插值滤波器对非最佳采样的数据点进行插值滤波，其中立方插值滤波器的形式为：
y(t)＝b-2(u)x[(m+2)ts]+b-1(u)x[(m+1)ts]+b0(u)x[mts]+b1(u)x[(m-1)ts]
其系数为：
式中，μ是插值滤波算法中的分数间隔参数，通过估计得到的定时误差
9.根据权利要求7所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于：
所述星座图恢复模块进一步用于对基带信号进行匹配滤波、符号速率估计、定时估计及插值滤波，得到存在频偏的复基带信号，该信号表示为：
其中，
且有：
相位调制信号中，分别由
步骤3-2、当接收端存在载波频偏时，当前码元的绝对相位除了携带固有的调制信息外，比前一个码元的绝对相位多出一个δωctb，反映在星座图上即为引起了角度为δωctb的旋转；采用相位差分的方法消除载波频偏对星座图恢复的干扰，差分公式如下：
x1(m)＝x*(n)·x(n-1)
其中，n＝2,3...n,m＝n-1；
式中，x(n)表示第n个采样值；x*(n)为x(n)的共轭；x1表示已经恢复的信号应有的星座图状态，将其输入信号调制方式识别模块即可完成对信号调制方式的识别。
10.根据权利要求7所述的一种基于星座图和深度学习的混合卫星通信调制识别方法，其特征在于：所述星座图聚类模块进一步用于确定滑动窗口半径r，以随机选取的中心点c，半径为r的圆形滑动窗口进行滑动；每一次滑动到新的区域，计算滑动窗口内的均值来作为中心点，滑动窗口内的点的数量作为窗口内的密度，在每一次移动中，窗口会向更高密度的区域移动；最后移动窗口，计算窗口内的中心点一级窗口内的密度，直到没有方向在窗口内可以容纳更多的点，即一直移到圆内密度不再增加为止。