1.一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，包括：

S1、发送端k位信息比特经过编码、BPSK调制后的极化码信息序列通过色噪声信道后，得到色噪声估计值；

S2、利用一维卷积神经网络CNN消除色噪声估计值和原始加性色噪声之间的误差，得到精确的噪声估计值，将原始加性色噪声减去精确的噪声估计值，得到噪声残量，通过一维卷积神经网络CNN的损失函数是噪声残量尽可能小并符合高斯白噪声分布；

S3、根据处理后的噪声残量确定噪声功率，初始化译码器的对数似然比信息LLR；

S4、通过初始化对数似然比信息LLR后的译码器对极化码信息序列进行BP译码，得到译码结果；

S5、通过CRC检测译码是否成功，是则结束；否则进入步骤S6；

S6、通过多轮BP译码选取训练数据，针对训练数据进行BP译码，若译码结果通过CRC检测，则该比特对应的标签置1，反之则置0，得到标签数据集；

S7、采用随机初始化方法初始化二维卷积神经网络，将标签数据集中的数据输入二维卷积神经网络进行网络训练，并采用Adam优化器调整网络传播中的网络权值w和偏差β，直至二维卷积神经网络的损失函数收敛，得到训练好的二维卷积神经网络；

S8、将S4中BP译码失败极化码信息序列的LLR信息类比为一张图，作为输入数据输入训练好的二维卷积神经网络，得到对应信息比特的索引的概率值；

S9、根据对应信息比特的索引的概率值依次从高到低翻转每一位信息比特，对翻转后的极化码信息序列重新进行BP译码直至通过CRC校验。

2.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，发送信号通过色噪声信道后，得到色噪声估计值，包括：

1/2

n＝∑ ·nw

其中，n表示得到的色噪声估计值，nw表示N维高斯白噪声向量，∑表示相关矩阵。

3.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，所述一维卷积神经网络CNN包括：四个卷积层，每层分别有64、32、16、1个滤波器，对应的卷积核大小依次为9*1，3*1，3*1以及15*1，前三层都采用Relu激活函数，最后一层无激活函数。

4.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，利用一维卷积神经网络CNN获取更精确的噪声估计值，包括：设置卷积核步长为1，将色噪声估计值 输入一维卷积神经网络的第一层，输出输出特征图c1,j， 将特征图c1,j输入第二、三层卷积层，输出特征图ci,j，ci,j＝f(hi,j*ci‑1+bi,j)，将特征图ci,j输入最后一层，网络输出精确估计色噪声nc，其中，h1,j为对应特征图的第j个卷积核，b1,j为偏差值，f(·)为非线性激活函数ReLU函数。

5.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，通过一维卷积神经网络CNN的损失函数是噪声残量尽可能小并符合高斯白噪声分布，包括：其中，N表示序列长度，λ表示用于衡量损失函数两项的比重的比重系数，S表示样本偏度， ri表示噪声残量的第i个元素，表示残量的均值，C表示样本峰度， r表示噪声残量。

6.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，通过多轮BP译码选取训练数据，包括：多轮BP译码后，在在CRC检测失败的原始比特信息序列中选取译码的LLR输出作为训练数据，剔除训练数据中冻结位的对数似然比信息LLR，并通过多次译码获得统计意义下BP译码中翻转成功频率最高的前k个信息比特，组成搜索空间，保留训练数据中搜索空间的对应部分，得到训练数据集。

7.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，所述二维卷积神经网络由三个二维的卷积层以及三个全连接层组成，每层卷积层过滤器的数量分别是32、16、8，卷积核大小都是3x3，在每一层中非线性激活函数采用ReLU函数；输入数据经过三层二维卷积层、三层全连接层后，得到每个比特被翻转或不被翻转以致成功解码的概率，对于可能有超过1个的位置来导致成功解码的情况，通过输出层的sigmoid函数将输出结果重新划分为[0 1]的范围，得到概率表示。

8.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，采用Adam优化器调整网络传播中的网络权值w和偏差β，包括：其中，η表示更新参数的学习率，gt，θt分别表示更新参数的第一、第二梯度，mt，nt分别表示对梯度的一、二阶矩估计， 分别表示用近似无偏估计的方式对mt，nt进行偏差校正，μ，v分别表示第一、第二梯度下降速率核心衡量参数。

9.根据权利要求1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，标签数据集中的数据输入二维卷积神经网络进行网络训练，直至二维卷积神经网络的损失函数收敛，包括：其中，o表示标签数据集合，表示预测的值，N表示序列长度，oj表示标签数据集合中第j个标签数据， 表示根据标签数据集合中第j个标签数据预测得到的预测值，Losshinge()表示hinge损失函数。

10.根据权利1所述的一种色噪声场景下基于神经网络的极化码BPF译码方法，其特征在于，根据信息比特成功率依次从高到低翻转每一位信息比特，包括：R0,i＝(1‑2ui)×∞

其中，R0,i表示右更新矩阵初始化的第一列信息，ui表示信息比特序列，∞表示数值无穷。