1.基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，包括步骤：S1、采集光栅尺和激光干涉仪的测量数据后获得误差数据，同时采用多个传感器测量获得该误差数据所对应的多种干扰因素的作用强度值；

S2、基于经验模式分解算法，将该误差数据分解为多个IMF分量，并求解获得每个IMF分量的希尔伯特边缘谱；

S3、将该误差数据对应的多种干扰因素的作用强度值以及多个IMF分量的希尔伯特边缘谱作为输入数据，采用训练好的CNN神经网络进行识别计算后，获得对应输出的标签函数；

S4、根据CNN神经网络输出的标签函数，获得该误差数据对应的趋势项并将获得的趋势项累加后作为光栅尺的误差补偿量；

S5、采用获得的误差补偿量对光栅尺进行测量补偿。

2.根据权利要求1所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，还包括以下步骤：A1、依次调节多种干扰因素的作用强度，测量获得多个在多种干扰因素的不同作用强度值下的误差数据；

A2、基于经验模式分解算法，分解获得每个误差数据的多个IMF分量，进而求解获得每个IMF分量的希尔伯特边缘谱以及每个误差数据对应的标签函数；

A3、将多个误差数据对应的多种干扰因素的作用强度值以及多个IMF分量的希尔伯特边缘谱作为输入数据，并将对应的标签函数作为输出数据，建立CNN神经网络并进行训练识别。

3.根据权利要求2所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A2，包括：A21、基于经验模式分解算法，将每个误差数据分解成多个IMF分量；

A22、分别对每个IMF分量进行希尔伯特变换，并计算获得每个IMF分量的希尔伯特谱和希尔伯特边缘谱；

A23、根据预设筛选条件对所有IMF分量进行分析后，筛选出符合条件的IMF分量作为误差数据的趋势项；

A24、根据筛选出来的趋势项获得每个IMF分量对应的标签函数值，将IMF分量中每个趋势项的标签函数值赋值1，其余的IMF分量的标签函数值赋值0，进而建立每个误差数据对应的标签函数。

4.根据权利要求3所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A23，包括：A231、将每个IMF分量的希尔伯特边缘谱按照频率顺序均分为低频区域、中频区域和高频区域；

A232、分别将每个区域中的全部极大值进行累加后作为该区域的权重因子，进而分别计算每个区域的归一化权重因子；

A233、筛选出低频区域的归一化权重因子大于预设阈值的IMF分量作为误差数据的趋势项。

5.根据权利要求4所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A232，其具体为：分别将每个区域中的全部极大值进行累加后作为该区域的权重因子，进而根据下式分别计算每个区域的归一化权重因子：

上式中，Mj,1、Mj,2和Mj,3依次表示第j个IMF分量的低频区域、中频区域和高频区域的归一化权重因子，mj,1、mj,2和mj,3分别表示第j个IMF分量的低频区区域、中频区域和高频区域的权重因子，j为自然数。

6.根据权利要求2所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A3，包括：A31、将多个误差数据对应的多种干扰因素的作用强度值以及多个IMF分量的希尔伯特边缘谱作为CNN神经网络的输入数据：A32、将多个误差数据对应的标签函数作为CNN神经网络的目标输出数据，建立CNN神经网络；

A33、基于随机梯度下降法对建立的CNN神经网络进行训练识别。

7.根据权利要求6所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A33，其具体为：初始化CNN神经网络的训练参数，同时将CNN神经网络的输入数据和输出数据进行分组，获得训练过程中的训练数据集和校验数据集，进而基于随机梯度下降法，采用训练数据集对CNN神经网络进行训练，同时采用校验数据集对训练过程中的CNN神经网络进行测试验证，并在验证不通过时，修改CNN神经网络的训练参数后，重新进行训练，直到验证通过。

8.根据权利要求6所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A33，包括：A331、初始化CNN神经网络的训练参数，同时将CNN神经网络的输入数据和输出数据进行分组，获得训练过程中的训练数据集和校验数据集；

A332、获取用户预设的神经网络的学习率、最大迭代次数、观察间隔、动量、批量数据集以及均方根误差阈值；

A333、从训练数据集中随机选取批量数据集进行CNN神经网络训练，根据下式更新CNN神经网络的训练参数：

上式中，α表示学习率， 表示训练数据集的均方误差的随机梯度，γ表示动量，θt+1表示更新后的CNN神经网络的训练参数，θt表示更新前的CNN神经网络的训练参数，△t表示更新速度，△t+1表示迭代变化后的更新速度；

A334、迭代执行步骤A333进行CNN神经网络训练，并在每次迭代次数累计达到观察间隔后，根据下式计算校验数据集的当前均方误差并根据预设更新条件对均方误差阈值进行更新：

上式中，e表示校验数据集的当前均方误差，下标F表示弗罗贝尼乌斯范数，f(x,θt+1)表示输入数据x经过CNN神经网络的输出结果，y*表示标签函数。

9.根据权利要求1所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤A334中根据预设更新条件对校验数据集的均方误差阈值进行更新的步骤，其具体为：判断计算获得的校验数据集的当前均方误差是否小于均方误差阈值，若是，则将该当前均方误差作为最新的均方误差阈值，否则不进行更新。

10.根据权利要求1所述的基于深度学习的光栅尺测量误差动态补偿方法，其特征在于，所述步骤S4，其具体为：根据CNN神经网络输出的标签函数，获得所有标签函数值为1的分项，进行获得每个分项对应的IMF分量作为该误差数据对应的趋势项并将获得的趋势项累加后作为光栅尺的误差补偿量，进而对光栅尺进行测量补偿。