1.一种基于量子傅里叶变换的全要素生产率计算方法，其特征在于，它包括以下步骤：

步骤1，由全要素生产率数据采集模块（100）采集多个系统的全要素生产率数据；

步骤2，由全要素生产率数据采集模块（100）将数据输入数据预处理模块（200），对采集的全要素生产率数据分别进行预处理操作，并转换成量子傅里叶变换模块（400）所需的格式，存入全要素生产率数据库（300）；

步骤3，由量子傅里叶变换模块（400）对全要素生产率数据库（300）进行数据变换；量子傅里叶变换模块（400）从全要素生产率数据库（300）输入已经预处理好的全要素生产率数据，并转换为量子态全要素生产率数据；量子傅里叶变换模块（400）对量子态全要素生产率数据进行量子傅里叶变换，得到量子态变换输出结果；量子傅里叶变换模块（400）将量子态变换输出结果转换为经典态变换输出结果，并将转换后的经典态全要素生产率数据输入深度学习模块（500）；

步骤4、由深度学习模块（500）对单一系统种类全要素生产率数据特征进行特征学习和特征提取；

在步骤4中，具体包括以下步骤，

子步骤4‑1，深度学习模块（500）初始化参数；深度学习模块（500）根据全要素生产率数据库（300）和全要素生产率特征矩阵（600）对不同的全要素生产率数据和子系统的全要素生产率数据选择各自最优的参数；

子步骤4‑2，深度学习模块（500）调用量子傅里叶变换模块（400）对全要素生产率数据库（300）进行处理，按照子系统的全要素生产率数据依次对全要素生产率数据中的单一系统种类数据进行变换，得到符合深度学习模块（500）初始化参数的输入数据；

子步骤4‑3，深度学习模块（500）输入子步骤4‑2得到的单一系统种类全要素生产率数据的数据变换结果，通过深度神经网络识别和提取特征数据；深度学习模块（500）的输入层包括本次全要素生产率数据的同一系统种类的不同数据和单一系统种类数据特征矩阵；

子步骤4‑4，深度学习模块（500）根据子步骤4‑3所得的数据建立单一系统种类全要素生产率数据特征矩阵；不断循环子步骤4‑2，子步骤4‑3，学习全要素生产率数据的另一系统种类数据，直至得到所有系统种类的全要素生产率的特征数据和特征矩阵，并存入全要素生产率特征矩阵（600）；

步骤5、由深度学习模块（500）对多个系统种类全要素生产率数据进行交叉特征学习和交叉特征提取；深度学习模块（500）建立全要素生产率数据的多系统特征矩阵，并存入全要素生产率特征矩阵（600）；深度学习模块（500）根据全要素生产率特征矩阵（600）分析不同系统之间要素的叠加现象，在评估之后得到全要素生产率计算结果，并将全要素生产率计算结果输出到全要素生产率输出模块（700）；

步骤6、由全要素生产率输出模块（700）对全要素生产率计算结果输出；全要素生产率输出模块（700）获取深度学习模块（500）输出的最终结果，并提供完整的全要素生产率计算报告；

全要素生产率要素包括原料、管理层效率、产品成本、固定资产、劳动力、环境成本、生产效率、投入量、产出量、效益增长速率。

2.根据权利要求1所述方法，其特征在于，在步骤1中，具体包括以下步骤：

子步骤1‑1，全要素生产率数据采集模块（100）设置不同系统的工作顺序和数据采集方式；

子步骤1‑2，全要素生产率数据采集模块（100）采集不同系统中的全要素生产率数据，并对子系统的全要素生产率数据设置不同的采集参数和采集数量；

子步骤1‑3，全要素生产率数据采集模块（100）将子系统全要素生产率数据进行格式化处理，转换为数据预处理模块（200）所能够处理的格式。

3.根据权利要求1所述的方法，其特征在于，在步骤2中，具体包括以下步骤：

子步骤2‑1，数据预处理模块（200）对采集的原始全要素生产率数据分别进行审核，消除原始全要素生产率数据中不符合要求的信息和无关的信息；

子步骤2‑2，数据预处理模块（200）对采集的原始全要素生产率数据分别进行筛选，滤除原始全要素生产率数据中无效的信息，留下有效的信息；

子步骤2‑3，数据预处理模块（200）对采集的原始全要素生产率数据分别进行排序，使原始全要素生产率数据能够按指定的关键词和顺序进行顺序；

子步骤2‑4，数据预处理模块（200）对采集的原始全要素生产率数据分别进行清洗，纠正原始全要素生产率数据中可识别的错误，校对数据一致性，处理无效数据值和缺失数据值；

子步骤2‑5，数据预处理模块（200）对采集的原始全要素生产率数据分别进行集成、归约，把不同系统、来源、格式、特点性质的全要素生产率数据在逻辑上或物理上有机地集中；

子步骤2‑6，数据预处理模块（200）将处理完的全要素生产率数据转换成量子傅里叶变换模块（400）所需的格式，并存入全要素生产率数据库（300）。

4.根据权利要求1所述的方法，其特征在于，在步骤3中，具体包括以下步骤：

子步骤3‑1，量子傅里叶变换模块（400）依次输入全要素生产率数据库（300）中已经完成预处理的全要素生产率数据，分别转换为量子态全要素生产率数据，将量子态全要素生产率数据输入X门，得到初始的量子态数据；

子步骤3‑2，量子傅里叶变换模块（400）将子步骤3‑1中X门输出的量子态全要素生产率数据输入和Hadamard门进行量子位受控幺正变换；

子步骤3‑3，量子傅里叶变换模块（400）将子步骤3‑2的Hadamard门幺正变换结果输入交换门；

子步骤3‑4，量子傅里叶变换模块（400）将子步骤3‑3的交换门输出结果进行相位操作与Hadamard门变换，以验证得到量子态全要素生产率数据是否符合期望值；

子步骤3‑5，量子傅里叶变换模块（400）测量子步骤3‑4的输出结果，得到量子傅里叶变换的输出结果，即量子态变换输出结果；

子步骤3‑6，量子傅里叶变换模块（400）将子步骤3‑5得到的量子态变换输出结果转换为经典态变换输出结果，并进一步地输入深度学习模块（500），作为经典态全要素生产率数据输入。

5.根据权利要求1所述的方法，其特征在于，在步骤5中，具体包括以下步骤，子步骤5‑1，深度学习模块（500）输入全要素生产率数据的全要素生产率特征矩阵（600）；

子步骤5‑2，深度学习模块（500）使用深度神经网络分析本次全要素生产率数据的多系统特征，通过交叉学习分析本次全要素生产率数据在多个系统种类上的数据正相关性和负相关性，根据多系统的混叠特性和交叉学习进一步滤除无效的全要素生产率数据，并建立量化的多系统特征数学模型；

子步骤5‑3，深度学习模块（500）根据全要素生产率特征矩阵（600）进行要素量化评估。