1.一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，包括如下步骤：步骤1：对传统水声FBMC通信系统进行反复测试，获取训练DNN所需的数据集，将数据集划分为训练集和测试集并进行数据预处理；

步骤2：根据需求确定DNN-FBMC系统各项超参数，初始化DNN各层神经元参数；

步骤3：输入训练集数据，计算当前DNN输出层正向传播的预测值；

步骤4：计算DNN的代价函数，根据代价函数进行DNN反向传播，更新各层神经元参数；

步骤5：循环执行步骤3和步骤4，使得DNN达到信号检测误码率的预设要求，当代价函数随迭代次数增加无显著下降趋势时DNN完成训练，各参数停止更新，得到训练完成的DNN模型；

步骤6：将步骤5中所得DNN模型接入系统接收端进行发送信号恢复，输入测试集数据，将得到的DNN正向传播输出值作为发送信号最终预测值，与真实发送信号值进行对比，计算误码率。

2.根据权利要求1所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于：所述步骤1中的数据集包括：FBMC系统发送端原始发送序列x(n)和FBMC系统接收端原始复数序列y0(n)；对FBMC接收端的复数序列y0(n)进行数据预处理，分别提取出复数符号的实部和虚部，并将同一符号的虚部置于其实部后面，重新组合成一个实数序列y(n)。

3.根据权利要求1所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于：所述步骤2中DNN-FBMC系统训练超参数设置如下：设置学习率为0.01，训练集mini-batch为512，测试集mini-batch为512，隐含层激活函数采用ReLU激活函数，输出层激活函数采用Sigmoid激活函数，权重初始化方法采用He initialization，权重更新策略为Adam，L2正则化参数为1.2，Dropout正则化参数为0.8。

4.根据权利要求3所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于：所述He initialization为保持输入和输出的方差不变，将随机初始化的值乘以缩放因子 (layersdims[l-1]表示前一层的大小)，使得ReLU输出概率分布效果更好。

5.根据权利要求4所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，L2正则化在原有代价函数J(ω,b)后加上一个关于权重ω的L2正则化项，使得权重衰减，提高泛化能力；具体表示为：

6.根据权利要求1所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，所述步骤3中计算DNN正向传播的公式如下：fReLU(z)＝max(0,z)     (4)

fSigmoid(z)＝1/(1+e-z)      (5)

式(2)至(5)中，zi[l]表示第l层第i个神经元的输入；ai[l]表示第l层第i个神经元的输出； 表示第l层第i个神经元与输入层所有神经元间的权值，维度为1×nl-1， 表示第l层第i个神经元的偏置。nl是第l层的神经元个数。f[l]()表示第l层的激活函数，是输入输出间的非线性变换，常见的激活函数有ReLU函数和Sigmoid函数。

7.根据权利要求1所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，所述步骤4中计算当前DNN输出的预测值与实际样本监督值间的误差值公式如下：式(6)中，a(i)表示监督值， 表示输出的预测值,m表示预测的符号个数，通过约束代价函数可以使得各层神经元权值和偏置在反向传播过程中不断更新，使得预测值不断逼近监督值，达到恢复发送符号的目的。

8.根据权利要求1所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，，所述步骤5中DNN训练次数为2000次迭代，训练停止时所得DNN各神经元权值 和偏* *置 分别记为ω和b。

9.根据权利要求8所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，所述步骤6中由步骤5所得DNN参数来进行信号恢复的公式如下：式(8)中，a*是最终所得发送信号预测值，结合发送信号真实值a[0]计算系统的误码率。

10.根据权利要求1所述的一种基于深度学习的水声FBMC通信信号检测方法，其特征在于，步骤4中代价函数采用交叉熵函数。