1.基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法，其特征在于，包括如下步骤：步骤1：对观测信号进行调制方式识别，根据识别结果对应的信号模型构建参考信号，并建立假设检验模型；

步骤2：计算参考信号与观测信号的平方相关谱，分别提取平方相关谱的分组极值序列和超阈值序列；

步骤3：利用高斯Copula模型对分组极值序列和超阈值序列的联合分布进行拟合，并根据单分类准则，建立校验统计量；

步骤4：利用Bootstrap方法获取Bootstrap意义下的检验统计量及其数字特征，得到相应的判决门限；

步骤5：对步骤3得到的校验统计量进行归一化处理，并与判决门限进行比较，结合假设检验模型，对信号盲处理结果进行校验。

2.如权利要求1所述的基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法，其特征在于：所述步骤1中，建立叠加了高斯白噪声的BPSK调制信号模型为x(n)＝s(n)+w(n)＝Aexp[j(2πf0Δtn+θ(n)+θ0)]+w(n)，0≤n≤N-1式中，A为信号幅度，j为虚数单位，f0为载波频率，Δt为采样间隔，BPSK分量的相位函数θ(n)＝πd2(n)，d2(n)为二元编码信号，其码元宽度为Tc，码元个数Nc，码字为cm，m＝1，...，Nc，θ0为初相位，N为样本点数，s(n)表示发射信号，w(n)为零均值加性复高斯白噪声过程；

构建参考信号y(n)，建立假设检验问题H0和H1，H0表示调制方式识别结果正确且无解码错误，H1表示调制方式识别错误或存在至少一位错误解码。

3.如权利要求1所述的基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法，其特征在于：所述步骤2具体如下：步骤2.1：计算参考信号和观测信号的相关序列z(n)＝x(n)y(n)，x(n)表示观测信号，y(n)表示参考信号；

步骤2.2：对相关序列去均值后得到零均值的相关序列zm(n)，对零均值的相关序列作DFT变换并取模，得到平方相关谱R(k)＝|DFT[zm(n)]|2，0≤k≤N-1，N为样本点数；

步骤2.3：将R(k)分为L组，取第i组的最大值z1i，i＝1，...，L，得到分组极值序列Z1＝(z11，z12，...，z1L)，其分布函数 z1∈(-∞，∞)为Gumbel分布，z1表示分组极值序列中的变量；

步骤2.4：对于给定的阈值t＜max(R(k))，计算超阈值序列Z2＝R(k)-t，并将其写成向量的形式Z2＝(z21，z22，....，z2L)，其分布函数 z2∈[0，∞)为GP-I分布，z2表示超阈值序列中的变量。

4.如权利要求3所述的基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法，其特征在于：所述步骤3具体如下：步骤3.1：根据分组极值序列Z1及相关谱超阈值序列Z2，基于高斯Copula模型得到两个随机变量的联结概率密度函数c0[F1(z1)，F2(z2)]：式中，Φ-1(u)、Φ-1(v)表示标准正态分布函数的逆，u＝F1(z1)，v＝F2(z2)，ρ∈[-1，1]为高斯Copula的相关系数；

步骤3.2：基于单分类准则，获取检验统计量TOC：

式中，f(zL)＝f(z1，z2)＝f1(z1)f2(z2)c0[F1(z1)，F2(z2)]为联合概率密度函数，zL是指由Z1及Z2构成的随机向量，f1(z1)，f2(z2)分别表示Z1、Z2的边缘概率密度。

5.如权利要求1所述的基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法，其特征在于：所述步骤4具体如下：步骤4.1：先对平方相关谱进行去离群值处理，然后对去离群后的平方相关谱作B次Bootstrap重采样；

步骤4.2：根据B次Bootstrap重采样的平方相关谱，重复步骤2及步骤3，得到Bootstrap意义下的检验统计量 并求取该检验统计量的均值 与方差步骤4.3：设定相应的虚警概率Pfa，通过计算Gaussian分布的逆，得到判决门限值η≈η*＝Φ-1(Pfa)，η*表示Bootstrap意义下的门限值。

6.如权利要求5所述的基于高斯Copula的BPSK信号盲处理结果可信性自适应校验方法，其特征在于：所述步骤5具体如下：步骤5.1：利用Bootstrap意义下检验统计量的均值 与方差 对步骤3得到的检验统计量TOC作归一化处理，得到归一化检验统计量 表示Bootstrap意义下的归一化检验统计量；

步骤5.2：将归一化检验统计量 与步骤4中得到的判决门限η进行比较，若大于门限，则判H0，反之为H1。