1.一种基于无透镜成像器的可见光通信方法，其特征在于包括下述步骤：

步骤一、在发送端，首先对输入的帧数据比特进行调制，然后在每帧数据比特前增加训练序列作为调制信号，用以驱动LED灯；

步骤二、在接收端，由无透镜成像器捕获训练序列对应的一系列帧图像并将其压缩，依次将压缩后第1、第2，……第i…..第I帧图像对应的特征向量送入卷积神经网络；

步骤三、利用步骤二得到的I帧图像训练卷积神经网络，训练方法如下：

(一)针对任一帧图像，设其特征向量为X＝{x1,x2,...xm}，利用公式(1)、(2)计算第1层神经网络第k个神经元的总输出值其中， 表示该帧图像第k个灰度值到第1层神经网络的第j个神经元之间的连接权值，其初始值为0-1之间的随机数且所有 不能全设置为“0”；是第1层第j个神经元的未激活输出，b1是第1层神经网络所加的偏置，其初始值为0-1之间的随机数；

(二)利用公式(3)、(4)计算后面每层神经网络各神经元的总输出值

其中， 表示第l-1层神经网络第k个神经元到第l层的第j个神经元之间的连接权值，其初始值为0-1之间的随机数；第bl是第l层神经元所加的偏置，其初始值为0-1之间的随机数； 是第l层第j个神经元的未激活输出， 是经过激活函数后的输出；

(三)根据第L层神经网络各神经元的输出计算卷积神经网络的第一、第二输出端的输出值y1、y2：其中 是第L层的第j个神经元与第一输出端之间的连接权值； 是第L层的第j个神经元的输出值； 是第L层的第j个神经元与第二输出端之间的连接权值；bL是第L层神经网络的偏置；

(四)计算该帧图像所有输出的总的互熵损失Ctotal，即实际输出值与期望输出值之间的误差，用于描述分类效果与真实情况的吻合度：yi表示的是该帧图像对应的输出端期望类相应的得分，yr表示卷积神经网络的第r个输出值，r＝1,2；

(五)根据公式(8)～(11)反向计算第l层分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

其中 初始值是设定好的一个随机数(0-1之间)， 是第l-1层神经网络的第k个神经元到第l层的第j个神经元之间的修改后的连接权值，η是定值，表示该连接权值减小的步长，0＜η＜1；bl+是第l层神经元所加的修改后的偏置；

根据公式(12)～(15)反向计算第l-1层的分别关于连接权值和偏置的梯度，以梯度方向的负值更新连接权值和偏置；

其中 是第l-2层神经网络的第k个神经元到第l-1层的第j个神经元之间的修改后的连接权值，η是定值表示该连接权值减小的步长，0＜η＜1；bl-1+是第l-1层神经网络所加的修改后的偏置；

以此类推，得到修改后的各层神经网络神经元之间的连接权值和神经元的偏置；

(六)重复步骤(一)～(五)，利用前一帧图像训练卷积神经网络得到的修改后的连接权值和偏置作为后一帧图像训练卷积神经网络的各层神经网络神经元之间的连接权值和神经元的偏置的初始值，直至利用训练序列对卷积神经网络训练完毕，确定最终的各层神经网络神经元之间的连接权值和神经元的偏置；

步骤四、利用训练好的卷积神经网络对其后捕获的帧数据比特对应的图像帧进行分类，卷积神经网络的两个输出值分别对应“亮”状态的图像帧和“灭”状态的图像帧，哪个输出值大就判为是哪类图像帧，其后再对图像帧所携带的数据比特进行解码。

2.根据权利要求1所述的基于无透镜成像器的可见光通信方法，其特征在于所述的训练序列是由两段重复的前短序列和后短序列组成的，总长度为2lx。

3.根据权利要求2所述的基于无透镜成像器的可见光通信方法，其特征在于利用训练序列和采用定时同步算法确定每帧数据比特的起始位，方法如下：在接收端采集数据比特时，设在规定时间t内采样的总长度为2l，2l＝2lx，每帧数据比特采样总时间为多个规定时间t之和，i为各规定时间t内2l个采样值的第一个采样值的采样时刻；将定时测度估计指示函数(归一化函数)M(i)取得的最大值所对应的采样点位置选作为帧数据比特定时同步的位置i0：P(i)是相关函数，是规定时间t内采集的数据比特的前部序列与后部序列的相关值；R(i)是数据比特的前部序列l长度的能量；r(i)是时域数据比特的第i时刻的采样值。