1.一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，所述方法包括：S1：获取接收端和发送端的数据，根据自由空间光发射端的不同调制方式来确定类别标签；

S2：采用滑动窗口对发送数据和接收数据进行处理，得到Pattern样本向量数据和类别的映射字典；根据类别的映射字典建立发送数据和接收数据的统计关系先验映射；统计关系先验映射为：在接收端数据中选取合适的窗口，利用滑动窗口将每个窗口对应的中位数下标值和发送端对应的相同下标值的数据作为该窗口的标签，建立数据向量和类别标签的字典映射关系，通过建立的字典映射关系计算先验概率；

S3：采用核函数量化样本数据中Pattern与Pattern向量之间的相似度，设置相似度阈值，对向量数据进行初步的去噪处理；

S4：将初步去噪后的数据输入到训练好的朴素贝叶斯模型中进行先验‑后验转换，得到样本数据的后验概率值和后验映射关系；

S5：在系统接收端采用后验映射关系对接收端的数据进行恢复，得到非线性补偿后的数据；

训练朴素贝叶斯算法模型的过程包括：

步骤1：获取接收端和发送端的数据，对数据进行预处理，得到数据向量，将数据向量划分为训练样本和测试样本；

步骤2：根据类别标签确定训练样本的属性特征，利用核函数进行初步的去噪处理；

步骤3：根据特征属性和训练样本计算每个类别在训练样本中出现的概率，计算每个特征属性划分对每个类别的条件概率估计；

步骤4：根据每个类别在训练样本中出现的概率和每个特征属性划分对每个类别的条件概率对贝叶斯算法进行训练，得到贝叶斯分类器；

步骤5：将测试样本数据输入到贝叶斯分类器中，对属性进行组合，根据每个类别条件下每个属性值出现的概率计算组合后属性属于哪个类别的概率；

步骤6：选取组合后属性类别概率最大值作为组合后的类别，并输出该类别以及类别映射关系，最终得到特征到类别的映射关系字典，完成模型的训练。

2.根据权利要求1所述的一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，确定类别标签包括：发送端在不同的调制下，具有不同的电平信号产生，在采用不同的调制模式对数据进行处理后，得到电平不同的信号，每个不同的电平为不同的类别标签。

3.根据权利要求1所述的一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，采用核函数量化样本数据中Pattern与Pattern向量之间的相似度包括：采用多项式核函数公式计算出向量之间的内积，通过内积来度量向量之间的相似度，将相似度高的向量划分为同一个向量数据。

4.根据权利要求1所述的一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，每个类别在训练样本中出现的概率的公式为：其中，P(Y＝C)表示在训练集中给定类别C出现的概率，CountCY＝C表示在训练集中给定类别C下的数据项数，CountC表示训练集的总项数。

5.根据权利要求1所述的一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，每个特征属性划分对每个类别的条件概率的公式为：其中，X＝{X1,X2,...,Xn}表示样本向量集合，Xk表示样本向量集合的一个样本向量，Y＝{C1,C2,...,Cm}表示类别集合，C表示给定的类别，n表示样本向量集合中样本向量的总数。

6.根据权利要求1所述的一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，计算组合后属性属于哪个类别的概率的公式为：其中，Y表示类别集合，C表示给定的类别，X表示样本向量集合，Xj表示其中的一个样本向量，P(Xj|Y＝C)表示该样本向量在给定类别下的概率值，P(Y＝C)表示给定类别的条件概率，k表示具体的电平个数，Ck表示一个给定的类别，|C|表示类别的个数。

7.根据权利要求1所述的一种基于朴素贝叶斯的空间光通信系统非线性补偿方法，其特征在于，所述后验映射关系为：其中，代表分类器预测出的类别标签，|C|表示类别的个数，k代表类别集合中的其中一个类别，P(Ck)表示在训练集中该类别出现的概率，P(xi|Ck)表示该类别条件下每个属性值出现的概率。