1.一种基于深度学习的无线紫外光散射信道估计方法，其特征在于，包括以下步骤：步骤1，无线紫外光散射信道建模：首先打开仿真环境，构造出大气环境下的无线紫外光非直视单次散射信道模型，然后添加噪声和失真条件；

步骤2，离线训练：随机产生发送序列，设置导频信号，获取大量的信道训练数据，通过训练深度神经网络模型，得到接收数据和信道响应的映射关系f(y,H)；

步骤3，在线信道估计：使用训练好的深度神经网络进行信道估计，将训练好的信道参数发送到接收端，然后将接收数据输入到深度神经网络中，输出最优的信道脉冲响应，从而实现信道估计。

2.根据权利要求1所述的一种基于深度学习的无线紫外光散射信道估计方法，其特征在于，所述步骤1首先对无线紫外光单次散射进行建模仿真，形成无线紫外光非直视单次散射信道模型，在短距离的通信情况下，紫外光信号在大气信道传输过程中只受到一次散射就被接收端接收，非直视通信方式选用NLOS(c)类模式，即收发仰角均为不定值但小于90度，考虑晴天时的大气散射，由于空气中的气溶胶浓度较低，大气分子主要发生瑞利散射，瑞利散射系数由下式表示：

式中n(λ)为大气折射率， NA为大气粒子浓度，l(x)为粒子的有效平均直径，一般取l(x)＝0.035；

无线紫外光非直视单次散射信道模型发送端光源采用紫外LED，接收端光电检测器采用光电倍增管，所述步骤1的具体做法为：步骤1.1，根据无线紫外光非直视单次散射信道模型计算接收端的总能量，然后求出路径损耗，通过不断增加发送信号的样本数量，得到足够的路径损耗数据，进而拟合出路径损耗函数表达式；使用微元法求体积分计算得到接收端的总能量，取体积元δV，根据散射理论，体积元接收到的能量为：

式中，ET和ER分别表示发射能量和接收能量，P(μ)为散射相函数，kS和ke分别表示大气瑞利散射系数和吸收系数，Ar为接收孔面积，Ω为发射端光束立体角，φ为接收端和δV的连线与接收视场角轴线的夹角，建立椭球坐标系，公共散射体V的下界为Φ1，上界为Φ2，r1为发送端到公共散射体V的距离，r2为接收端到公共散射体V的距离，经过转换微元积分然后在整个椭球面上积分，可以得到单次散射接收端的总能量近似为：式中，βT和βR分别为发送端和接收端的仰角，θT为光束发散角的半角，θS为散射角；

步骤1.2，分析无线紫外光非直视信道的脉冲响应，发送端发送一个脉冲信号，通过步骤1.1得到的接收端能量计算出接收信号，即信道脉冲响应，然后进行近似和化简，即信道脉冲响应函数近似表达式为：

式中，θR接收视场角的半角；

步骤1.3，无线紫外光非直视单次散射信道模型仿真参数选择为：信道为瑞利散射信道，发送端仰角θT为60度，接收端仰角θR为60度，光束发散角的半角为20度，接收视场角的半角为20度，最大数据传输速率Rb为1.5Mbps，通信距离d为100m。

3.根据权利要求1所述的一种基于深度学习的无线紫外光散射信道估计方法，其特征在于，所述步骤2中神经网络模型选用深度神经网络，深度神经网络输入为传输信号数据和导频处的信道参数，输出为高精度的信道参数，步骤2的具体做法为：步骤2.1，首先需要获取大量的信道训练数据，发送端随机产生传输信号，经过预处理操作生成信号序列，设置导频，并让其通过步骤1构造好的无线紫外光非直视单次散射信道模型，产生足够的接收数据y(n)，然后利用传统的最小二乘估计算法估计出粗略的信道响应H(n)；

步骤2.2，对接收信号数据y(n)和导频处的信道相关参数H(n)进行预处理和特征处理操作，将得到的参数输入到深度神经网络中进行训练，设置初始权重为w＝0，误差阈值ε＝

10-7，激励函数选择sigmoid函数步骤2.3，选择梯度下降算法进行神经网络的训练，计算出训练误差，根据训练误差来调整输入权重和偏置的二次函数，分别对权重和偏置求偏导，获得梯度向量，沿着此梯度方向就是训练误差增加最快的方向，在这个方向上找出训练误差函数的最小值；

步骤2.4，判断深度神经网络模型的合理性，根据设置好的阈值进行判断，如果训练误差结果大于阈值，则迭代回上一步继续进行训练；如果训练误差结果小于阈值，则停止训练，更新每个神经元的权重w；

步骤2.5，最终获取到接收数据y(n)和信道响应的映射关系f(y,H)。

4.根据权利要求1所述的一种基于深度学习的无线紫外光散射信道估计方法，其特征在于，所述步骤3的具体做法为：

步骤3.1，导入步骤2中已经训练好的深度神经网络；

步骤3.2，发送端发射需要传输的信号，通过无线紫外光非直视单次散射信道模型，产生接收数据y(n)；

步骤3.3，将接收数据y(n)输入到深度神经网络中，进行在线信道估计操作，最终获取到最优估计的信道响应 从而完成信道估计。