1.一种基于图神经网络的长距离无源光网络解调方法，其特征在于，具体为：在数据发送端：

S1、将多个用户的发射比特序列通过SCMA码本映射将比特信息映射成多维复数码字；

S2、然后将不同用户的多维复数码字进行叠加，然后进行物理资源映射将码字信号映射到OFDM资源块上；

S3、将通过OFDM调制，将子载波映射后的频域信号进行快速傅里叶逆变换，得到时域信号，加上导频和循环前缀经过上采样，滤波上变频得到射频信号；

S4、使用MZM电光调制器将射频信号调制成SCMA光信号，将得到的SCMA信号按照光线路终端所分配的时隙发送出去；

在数据接收端：

S5、通过光电转换将光信号转换为电信号，接着通过下变频、滤波、下采样得到SCMA‑OFDM基带信号；

S6、使用傅里叶变换将时域信号转换为频域信号；

S7、构建图神经网络模型；

S8、获取数据发射单元发出的信号和原始发送数据作为训练数据集，对图神经网络模型进行训练；

S9、将接收到的数据输入到训练完成后的图神经网络模型中进行比特判决，得到原始比特数据信号。

2.根据权利要求1所述的一种基于图神经网络的长距离无源光网络解调方法，其特征在于，所述图神经网络模型中，使用因子图作为图结构，定义因子图为G(N,E)，N代表图节点，E代表边，边连接所有的函数节点和变量节点，输入经过处理后的资源块上的实数信号，通过不停的更新图神经网络中的函数节点和变量节点的值，最终输出变量节点的比特判决概率；变量节点状态信息的更新公式为：Relu(x)＝max(0,x)函数节点的更新公式为：

使用relu函数和tanh函数作为激活函数，t代表当前迭代轮数； 示函数节点k在第t次迭代时的状态信息，表示变量节点j在第t次迭代时的状态信息，ne(k)表示与函数节点k相连的所有函数节点集合，ne(j)表示与变量节点j相连的所有函数节点集合；wj,k和wk,j代表从变量节点j到函数节点k和从函数节点k到变量节点j消息传递的滤波器参数。bj,k和bk,j表示偏置向量，BN代表归一化层；

对图神经网络模型节点更新，整个网络循环迭代更新变量节点和函数节点的状态信息，最终将信息扩散到整个图，由于其中引入了激活函数非线性，整个模型引入了相对较强的非线性，损失函数使用最小均衡误差，具体如下：其中 代表第j个比特的标签信息， 表述预测的第j个比特的预测信息；具体预测过程最终根据 进行阈值判决，当其大于0.5，将其判决为1比特，当小于0.5时，将其判断为0比特。

3.根据权利要求2所述的一种基于图神经网络的长距离无源光网络解调方法，其特征在于，所述神经网络模型节点更新具体为：(1)、将载波上接收到的复数信号作为图神经网络的输入赋值给函数节点；

(2)、根据函数节点的信息依据变量节点更新公式更新变量节点的状态信息；

(3)、根据更新的变量节点信息依据函数节点更新公式更新函数节点的状态信息；

(4)、如果没有达到固定迭代次数，则继续重新回去执行步骤(2)，否则将使用sigmoid函数将S3中更新的函数节点状态映射到概率信息。

4.根据权利要求3所述的一种基于图神经网络的长距离无源光网络解调方法，其特征在于，所述固定迭代次数为3。