1.基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，包括以下步骤：

S1：构建LM效应相关的UWOC信道模型；

S2：设计基于深度神经网络的UWOC失准鲁棒盲接收机，即设计DNN‑MBR；

S3：基于UWOC信道模型和DNN‑MBR，搭建DNN辅助的MIMO‑UWOC系统；

S4：在MIMO‑UWOC系统中完成水下光通信，完成水下光通信失准鲁棒盲接收机的设计。

2.根据权利要求1所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，所述UWOC信道模型是建立在基于蒙特卡罗统计解析表达式模型，即AEMCS模型基础上的时域UWOC信道冲激响应模型，即CIR模型，用于描述光子与海水相互作用产生的吸收和散射效应，以及对光束在UWOC环境中的传输产生影响。

3.根据权利要求2所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，基于AEMCS模型，单位功率光子在n个散射分量作用下的轨迹微分概率表示为：

Pn(μ0,θ0,φ0,...,μl,θl,φl,...,μn,θn,φn)dV      (1)其中，μl,(0≤l≤n)表示第l个和(l+1)个散射体之间的随机距离，θl和φl是第l个实体偏转角的天顶角和方位角分量， 接着，对公式(1)所有变量的积分是接收光功率与发射光功率的比值，表示为光路损耗；通过计算和组合公式(1)的积分的相关时间样本，得到考虑吸收和散射效应的CIR，表示为h0(t)；

接着，采用对数正态分布模型仿真湍流引起的衰落；α＝exp(2ξ)表示湍流引起的信道衰落幅度的随机变量；

最后，得到结合吸收、散射和湍流效应的信道模型，具体表示为：h(t)＝αh0(t)       (2)其中，h(t)表示UWOC信道模型。

4.根据权利要求3所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，所述α具有对数正态分布的概率分布函数，具体表示为：其中ξ是均值为μξ，方差为 的高斯分布随机变量；通过令 令对数正态分布衰落保持归一化E[α]＝1；接着通过式(4)得到的表达式其中 是是平面波和球面波的闪烁指数。

5.根据权利要求2所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S1中，在UWOC信道模型基础上，借助天顶角θz对LM进行建模，具体为：考虑到LM模型和AEMCS模型，通过使用LM效应相关的CIR，hz(t)，来反映吸收、散射、湍流和LM效应；hz(t)是通过用θz修改公式(1)中的实体发射角(θ0,φ0)并结合公式(1)积分的相关时间样本来获得的。

6.根据权利要求2所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S2中，所述DNN‑MBR包括一个DNN合并器和一个DNN解调器，通过一个合并层将两个DNN部分连接起来，形成一个具有信号合并和解调供能的DNN整体；其中：所述DNN合并器分析来自N个PD接收端输入数据的特性并优化合并权重以获得合并信号rc；随后，rc被送到所述DNN解调器，在该解调器中，借助在离线DNN训练期间优化的判决策略来获得发射比特的估计版本

7.根据权利要求6所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S3中，设在发射端有M个发光二极管LED，在接收端有N个PD；相同的光信号从M个LED中发射到N个PD中，光信号传输经历LM效应相关的UWOC信道，其中LED发射端表示为TXi，i＝1,...,M，PD接收端表示为RXj，j＝1,...,N；基于LM效应相关的UWOC信道模型，将TXi和RXj之间的CIR表示为hz,ij(t)；所述DNN辅助的MIMO‑UWOC系统采用强度调制和直接检测技术，以及用于调制信息比特向量b的OOK调制，其中开状态指示来自TXi的脉冲信号Ri(t)的传输；以矩形脉冲为例，脉冲信号表示为Ri(t)＝Pi·Γ(t)，其中Pi是每比特的发射功率， 为矩形脉冲，Tb是比特持续周期；为了与发射功率为P的单个发射机情况进行公平比较，将MIMO情况中矩形脉冲的总发射功率设置为 更具体地说，TXi发送 的数据序列，其中bk∈{0,1}是在第k信号周期中发送的信息比特；

在经过hz,ij(t)信道后，M个数据序列在第j个PD处的叠加信号表示为：其中，*表示卷积运算符，yi,j表示从TXi到RXj发送的信号；然后，对Tb内的yj，j＝1,...,N进行积分运算，得到比特周期内的积分信号rj，该信号rj将被转发给所述DNN‑MBR进行信号合并和解调。

8.根据权利要求7所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S2中，所述DNN合并器的输入数据为L×1的向量rj＝[rj,1,rj,2,...,T

rj,L]，表示在RXj处以连续L个比特持续时间采样的j个接收信号，其中，j＝1,...,N；然后，N个PD上的数据比特向量一起形成叠加的NL×1向量向量r被转发到Cc个卷积层，即CL和 个全连接层，即FCL，CL和FCL提取接收信号的特征以生成合并权重向量w；第x(x＝1,...,Cc)个卷积过程由Jc,x个大小为Fc,x×1的卷积核实现，卷积步长为s＝sc,x；连接两个连续CL的池化运算是通过最大池化实现的，该过程调用的P P

大小为F×1滤波器，池化步长为s＝s ，在CL之后，每个FCL将前一层的神经元连接到下一层的神经元，其中第l层 的FCL包含 个神经元；

此外，所述DNN合并器在除最后一个FCL之外的所有层中使用修正线性单元函数，即ReLU函数作为激活函数来实现良好的梯度下降，而在最后一个FCL中应用线性函数来保持所生成的合并权重的性质；最后一个FCL的输出向量，即合并权重w＝[w1,...,wN]，被用于产生合并信号 该合并信号由所述DNN解调器进行解调。

9.根据权利要求8所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S2中，所述DNN解调器由Cd个CL和 个FCL组成，它们对合并信号rc实现特征提取和OOK解调；DNN解调器中的卷积和全连接运算规则与DNN合并器中相同；在DNN解调器中，除了最后一个FCL，ReLU函数被应用到DNN解调器所有层作为激活函数；最后一个FCL采用修正的Sigmoid函数来生成估计的OOK信号，具体为：通过将Sigmoid函数 沿x轴正方向平移0.5的位移，修正的Sigmoid函数表示为：

修正的Sigmoid函数是基于OOK解调过程的判决函数设计的。

10.根据权利要求9所述的基于深度学习的水下光通信失准鲁棒盲接收机设计方法，其特征在于，在所述步骤S2中，所述DNN‑MBR使用基于MIMO‑UWOC系统随机生成的数据经历LM效应相关的UWOC信道模型进行训练；具体为：随机数据序列b被生成并调制为OOK符号，以便从M个LED发射；用于训练的信道hz(t)通过UWOC信道模型生成；然后，DNN‑MBR将经过信道衰落和环境噪声影响的接收符号yj，j＝

1,...,N和原始信息比特向量b分别作为DNN‑MBR的输入和预期输出训练数据完成训练；

DNN‑MBR的训练目标是最小化预测比特向量和发送比特向量之间的均方误差MSE，损失函数表示为：

其中 是DNN解调器的预测比特输出，对应的误比特率γ表达式表示为：其中fb(·)是判决函数，表示为：

然后，以最小化公式(7)中的 为目标对DNN‑MBR进行训练。