1.一种基于门控循环单元神经网络的坐标变换常模盲均衡方法，其特征在于包括如下步骤：步骤1，输入信号y(k)经过信道h(k)后得到信道的输出序列s(k)，对该输出序列s(k)加入高斯白噪声n(k)，得到的序列x(k)作为门控循环单元神经网络的输入；

步骤2，利用坐标变换方法更新门控循环单元神经网络门控权向量，将更新后的神经网络作为均衡器，对输入序列x(k)进行盲均衡运算，得到输出信号序列

2.如权利要求1所述的基于门控循环单元神经网络的坐标变换常模盲均衡方法，其特征在于：所述步骤2中，利用坐标变换方法更新门控循环单元神经网络门控权向量时，首先将信号星座图坐标的实部与虚部分开，得：Y＝[Xr-2sign(Xr)]+j[Xi-2sign(Xi)-sign[Xi-2sign(Xi)]]其中，Xr、Xi分别为原信号的实部和虚部,变换后信号星座图的统计模值Rc＝1；重构网络代价函数得：其中， 分别为网络输出的实部与虚部。

3.如权利要求1所述的基于门控循环单元神经网络的坐标变换常模盲均衡方法，其特征在于：所述步骤2中，门控循环单元神经网络结合坐标变换方法对序列x(k)进行处理的过程是：步骤a1，将经过信道干扰与噪声混杂的x(k)作为门控循环单元神经网络的输入，xt(k)表示t时刻隐藏层单元的输入，ht-1(k)表示t-1时刻的隐藏层单元激活值，有：rt(k)＝sigmoid(Wrx(k)·xt(k)+Wrh(k)·ht-1(k))zt(k)＝sigmoid(Wzx(k)·xt(k)+Wzh(k)·ht-1(k))其中，Wrx(k)为重置门输入值权向量，Wrh(k)为重置门激活值权向量，rt(k)表示t时刻隐藏层单元重置门值；Wzx(k)为更新门输入值权向量，Wzh(k)为更新门激活值权向量，zt(k)表示t时刻隐藏层单元更新门值；Whx(k)为更新门激活值输入权向量，Whh(k)为更新门激活值激活权向量； 表示t时刻隐藏层单元更新门激活值，ht(k)表示t时刻隐藏层单元输出值；整个网络在t时刻的输出为：yt(k)＝f(Wy(k)·ht(k))

其中，Wy(k)为隐藏层与输出层的连接权向量，ht(k)为隐藏层输出；门控循环单元神经网络最后的传递函数为：导数为：

β取大于零的值；

步骤a2，根据瞬时梯度下降方法，有：

其中w(k)代表权向量，μ为迭代步长，得输出权向量更新值，即：则输出权向量更新公式为：

步骤a3，用步骤a2中的代价函数更新隐藏层单元内的门控权向量，定义H(k)为：式中，Z(k-1)为更新门输入值权向量Wzx(k)与更新门激活值权向量Wzh(k)前一次迭代的偏导数更新量，P(k-1)为更新门激活值输入权向量Whx(k)与更新门激活值激活权向量Whh(k)前一次迭代的偏导数更新量，R(k-1)为重置门输入值权向量Wrx(k)与重置门激活值权向量Wrh(k)前一次迭代的偏导数更新量；r(k-1)与z(k-1)分别为前一次迭代重置门值与更新门值；

得更新门权向量的更新公式为：

Wzx(k+1)＝Wzx(k)-μ·x(k)·Z(k)

Wzh(k+1)＝Wzh(k)-μ·h(k-1)·Z(k)

更新门激活值 权向量更新公式为：

Whh(k+1)＝Whh(k)-μ·r(k)·h(k-1)·P(k)Whx(k+1)＝Whx(k)-μ·x(k)·P(k)

重置门权向量更新公式为：

Wrx(k+1)＝Wrx(k)-μ·x(k)·R(k)

Wrh(k+1)＝Wrh(k)-μ·h(k-1)·R(k)。

4.如权利要求1所述的基于门控循环单元神经网络的坐标变换常模盲均衡方法，其特征在于：所述步骤2中，前馈神经网络均衡器恢复的输出信号序列为w(k)为神经网络均衡器等价的卷积权向量， 是前馈神经网络均衡器恢复的输出信号序列。

5.如权利要求4所述的基于门控循环单元神经网络的坐标变换常模盲均衡方法，其特征在于：所述步骤2中，卷积权向量w(k)获取步骤如下：步骤b1，初始化网络结构，迭代次数，信道类型，信号调制类型，信噪比SNR；

步骤b2，经过信道干扰与噪声混杂的衰减信号输入门控循环单元神经网络，信号调制类型决定均衡器抽头系数大小；门控循环单元神经网络中的循环结构使前一时刻隐藏层输出作为当前时刻隐藏层输入之一，每个隐藏层单元中的重置门控制前一时刻隐藏层单元信息进入当前时刻隐藏层单元比例，当前输入与前一时刻隐藏层单元的输入经过更新门产生当前时刻隐藏层单元的输出，sigmoid函数将重置门向量的元素控制在0到1之间，当元素值接近1时，前一时刻时刻隐藏层节点激活值充分保留，反之则丢弃，同时保留新输入隐藏层单元的当前时刻时刻输入值；重置门与更新门的门权向量通过当前时刻网络输入与前一时刻隐藏层输出迭代更新；

步骤b3，重构门控循环单元神经网络的代价函数，使用坐标变换方法代价函数更新网络权重，将MQAM和MPAM信号的星座图坐标实部与虚部分开，即Yr＝Xr-2sign(Xr)Yi＝Xi-2sign(Xi)-sign[Xi-2sign(Xi)]式中,Yr+j·Yi为新坐标,Xr、Xi分别为原信号的实部和虚部,sign(·)表示取符号操作.经过坐标变换后,各星座点均变换至半径为1的圆周上,变换后得新坐标{±1±0i}＝{±

1}，通过上述坐标变换方式可以将非常模信号变换为常模信号,信号星座图的统计模值Rc＝1；设门控循环单元神经网络输出的实部与虚部分别为 与 则定义新的代价函数为：步骤b4，将步骤b3所述的新代价函数更新门控循环单元神经网络门控权向量；

步骤b5，将步骤b4中迭代更新后网络作为均衡器，对输入信号进行盲均衡运算，得到均衡后信号。

6.如权利要求1所述的基于门控循环单元神经网络的坐标变换常模盲均衡方法，其特征在于：所述步骤2中，还采用判决器纠正输出信号序列 的相移φ。