1.一种基于深度条件生成对抗网络的水下无线光通信接收机，包括信号接收单元、转换单元、预处理单元；其特征在于，还包括CGAN结构和DNN检测器；其中：所述信号接收单元用于检测接收信号并进行光电转换，获取时域信号；

所述转换单元用于对时域信号进行模数转换和串行到并行转换；

所述预处理单元用于转换完成的信号进行去除循环前缀和快速傅里叶变换处理，得到接收信号Y；

所述CGAN结构用于根据接收信号Y判别CSI的变化并进行转换，得到转换信号K；

所述DNN检测器对转换信号K执行SD操作以获得发射比特向量的估计概率，完成光通信的接收；

其中：所述CGAN全称为：Conditional Generative Adversarial Net，表示条件生成对抗网络结构；所述CSI全称为：Channel State Information，表示信道状态信息；所述DNN全称为：Deep Neural Network，表示深度神经网络；所述SD全称为：Signal Detection，SD操作表示信号检测操作。

2.根据权利要求1所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，该水下无线光通信接收机的通信过程具体为：假设在基于DNN的DCO‑OFDM系统中，在发射机侧，发送的比特b被调制并映射到特定星座，由此产生的复数码流X＝[X0,X1,…,XN‑1]进行快速傅里叶反变换，即IFFT，其中N取偶数，是OOFDM子载波的数目；由于DCO‑OFDM系统中采用了无线光通信中的光强度调制，IFFT后的输出信号应取实数，因此，X满足公式(1)中赫米特对称：*

其中(·) 为复共轭运算；基于公式(1)，X在IFFT后成为实数信号，从IFFT得到的时域信号x的第k个样本表示为：

其中Xm是第m个子载波上的符号；

在发射机侧，在添加循环前缀、并行到串行转换、数模转换和低通滤波操作之后，x被转换为其时域版本x(t)；在x(t)信号经过添加直流偏置，零点削波和电光转换之后，产生可见光信号，然后通过VLC信道传输；由水下无线光通信接收机进行接收；

在接收机侧，在光电二极管检测到的接收信号上进行光电转换后，得到时域信号y(t)，公式如下：

y(t)＝x(t)*h(t)+n(t)                      (3)其中*为卷积运算符，h(t)是UWOC的CIR，n(t)是加性高斯白噪声；然后，在模数转换，串行到并行转换，去除循环前缀和快速傅里叶变换后，对接收到的信号Y调用所提出的CGAN结构，以判别CSI的变化，并将转换后的信号K传给DNN检测器；最后DNN检测器对转换后的信号K执行SD操作以获得发射比特向量b的估计概率 信号Y的第m个子载波处的符号表示为：其中yk是时域接收信号y的第k个样本。

3.根据权利要求2所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，定义水下无线光通信接收机通信过程的信道模型，具体为：针对UWOC信道的典型传输特性，首先采用基于蒙特卡罗方法的无湍流信道模型来描述吸收和散射效应；关于湍流引起的衰落，通过对数正态分布对其进行建模；即将α＝exp(2ξ)表示为湍流引起信道衰落幅度的随机变量，其中α具有对数正态分布的PDF，即概率分布函数：

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；通过公式(6)得到的表达式其中 是瞬时强度I的方差；最后，结合吸收、散射和湍流效应的信道模型由公式(7)表示：

h(t)＝αh0(t)                       (7)其中h0(t)是无湍流衰落的CIR。

4.根据权利要求3所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，基于所述CGAN结构和DNN检测器提出一种基于深度学习的信号生成和检测方法，称为SGD方案；其中：

所述SGD方案由训练数据集产生、线下训练和线上处理三个阶段组成；其中：线下训练阶段的训练数据集 和 由前一阶段产生；然后，线下训练阶段为线上处理阶段提供了已训练的DNN检测器和CGAN结构；具体的，借助信道模型中所述的蒙特卡罗仿真产生UWOC信道系数hd和hc，然后产生对应的数据集；其中，hd选择较普遍的信道环境，而hc则选择与hd差别较大的信道环境，这样可以更好地训练CGAN信道特征转换的功能；

其中，通过将导频符号b输入到DCO‑OFDM系统中，UWOC通信信道设置为DNN检测器对应的训练信道hd，获得该信道中的训练数据集 同理，通过将通信信道设置为CGAN结构对应的训练信道hc，获得该信道的数据集

在线下训练阶段，在获得训练数据集 和 后，一方面，使用数据集 对DNN检测器进行训练；另一方面，调用训练数据集 和 实现对CGAN结构的训练；在完成线下训练阶段后，获得已训练的DNN检测器和CGAN结构并进行线上处理阶段；

在线上阶段中，接收信号Y分为导频符号YP和数据符号YD进行处理，其中，导频符号YP被转发到已训练的CGAN结构，判别结果d由判别器计算得到，具体表示为：d＝max(D(x,m),D(G(z,m),m))              (8)其中D(x,m)是输入为x，以m为条件信息的判别结果，G(z,m)是随机噪声z和条件信息m的生成器的输出；具体而言，判别结果d表示当前通信的CSI与DNN检测器训练信道hd以及用G(z,YP)表示的前一次更新生成器的信道的相似程度，取值范围为(0,1)；如果d越接近1，则说明当前通信的CSI越接近DNN检测器训练信道或前一次更新生成器的信道；如果d越接近

0，则说明当前通信的CSI与DNN检测器训练信道和前一次更新生成器的信道相比，差别越大；此外，将导频符号作为条件信息，令式(8)中m＝YP；如果判别结果d小于判别阈值ρD，这表明当前的CSI与DNN检测器训练信道hd及用G(z,YP)表示的前一次更新生成器的信道相比，信道统计特性发生了显著变化，此时，将线上更新迭代应用于CGAN结构，实现CGAN结构的线上更新；随后，更新后CGAN结构的网络权重是 表达式为Gu(‑)，由更新的CGAN结构基于接收信号YD的数据符号来计算更新后CGAN结构产生的信号：K＝Gu(z,YD)                       (9)并转发给DNN检测器用于SD过程；

另一方面，如果判别结果满足条件d≥ρD，则K计算表达式为：具体而言，判别结果d表示输入是来自训练数据而不是CGAN结构数据的概率，即输入分布与训练数据分布的相似程度，d越大则相似度越高；因此，K的表达式是选择YD和G(z,YD)两者中更接近于DNN检测器训练特征的一个；其中，D(YP,YP)≥D(G(z,YP),YP)表示当前通信的CSI与DNN检测器训练信道hd更接近，那么表达式为K＝YD，选择直接将YD输入到DNN检测器；

而D(YP,YP)＜D(G(z,YP),YP)表示当前通信的CSI与前一次更新生成器的信道更接近，那么表达式为K＝G(z,YD)，选择使用生成器将YD转换为DNN检测器训练信道特征，然后转发到DNN检测器；

最后，通过输出接口将K转发到DNN检测器完成SD过程；其中，输出接口根据d跟判别阈值ρD的大小关系进行K的表达式选择：如果d<ρD，则选择式(9)；如果≥ρD，则选择式(10)。

5.根据权利要求4所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，S

其特征在于，所述DNN检测器具体包括信道估计和SD模块；首先定义C为卷积层CL数量，对S

于第c层CL，Fc是卷积核大小，Jc为卷积核数量，sc为卷积步长，其中，1≤c≤C ；此外，为第c层CL的卷积特征大小，由卷积核的大小、卷积核数量和卷积步长决定，S S

对于全连接层FCL，定义L 为FCL的数量， 为第l层FCL的神经元数量，1≤l≤L ；除了最后一层FCL外，对DNN检测器的所有层都使用ReLU激活函数，因为ReLU函数在非线性关系和梯度下降方面具有良好的性能。对于最后一层FCL采用Sigmoid函数将前面的输出映射到(0,1)区间，用以表示传输比特向量的估计概率；

其中，DNN检测器需要对应信道的数据集进行线下训练；在线下训练过程中，随机数据序列b被调制为导频符号，该导频符号被发射到UWOC信道模型生成的DNN检测器训练信道hd中；在经过信道失真和AWGN的影响后，接收信号Y和发射的训练数据序列b分别作为DNN检测器的输入信息和预期检测结果数据集；然后，经过所述的CL和FCL操作之后，获得作为训练数据序列估计概率的检测器训练输出

随后，对DNN检测器进行训练，使b和 之间的差异最小化；采用均方误差MSE度量作为DNN检测器的损失函数。

6.根据权利要求5所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述均方误差MSE具体表示为：

7.根据权利要求5所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述CGAN结构目标是训练一个条件生成模型，该模型利用条件信息m生成接近某个目标分布pdata的样本；具体的，CGAN结构由两个DNN结构组成，即生成器G和判别器D；生成器的输入是从均匀分布pz采样的噪声向量z和从接收导频信号YP采样的条件信息向量m；

生成器实现由输入z和m转换成生成样本G(z,m)的过程；判别器的输入是m和来自目标分布pdata的真实数据样本x，或者是m和生成器生成的假数据样本G(z,m)，而判别器D的输出是一个(0,1)区间的实数值，该实数值表示输入是从目标分布pdata中进行采样的概率；具体来说，如果判别器的输入是从目标分布pdata采样的，则应判为1，为真；如果判别器的输入不是从目标分布pdata采样的，则应判为0，为假；

由于噪声向量z、生成器生成数据和真实数据样本都具有一定的随机性，判别器的输入通常不会完全符合目标分布，因此判别结果为区间(0,1)中的一个值，表示输入数值是分布pdata中的一个样本的概率，而这个概率通常与人为设定的一个判别门限ρD进行比较，表达式为：

8.根据权利要求7所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，在所述CGAN结构中，生成器和判别器的DNN结构与DNN检测器相似，只是生成器的最后一个FCL的激活函数是线性函数，该函数避免了生成信号的幅度受限，表达式为：fL(x)＝x                        (13)。

9.根据权利要求8所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，在CGAN结构训练过程中，判别器和生成器基于竞争目标进行交替训练；判别器的训练目标是将生成器生成的样本与目标分布pdata中的真实数据区分开来，而生成器的训练目标是能够生成判别器无法区分的样本，从而得到可生成更接近真实数据分布pdata的能力；其中：

生成器和判别器的优化目标函数表示为：其中x是服从目标分布pdata的真实数据样本向量，z是服从均匀分布pz的噪声样本向量，wG是生成器的网络权重，wD是判别器的网络权重；在训练过程中，判别器和生成器的网络权重交替进行更新；

此外，为了利用生成样本与真实数据之间的MSE辅助生成器的训练，以生成具有与真实数据相似分布的样本，引入一种基于半监督学习的损失函数，该函数是无监督CGAN损失函数(14)和监督回归损失函数的组合，用L″G表示：其中， 是监督回归损失函数。

10.根据权利要求9所述的一种基于深度条件生成对抗网络的水下无线光通信接收机，其特征在于，所述CGAN结构训练过程具体为：线下训练阶段，用IT表示根据数据特征和训练规律设定的训练迭代次数上限，生成器和判别器进行迭代训练直至达到平衡点；在每次迭代中，判别器和生成器的训练都是先后迭代完成的，即判别器以式(15)中的损失函数完成ITD次迭代，生成器以式(16)中的损失函数完成ITG次迭代；在交替训练过程中，一个模型的网络参数在训练另一个模型时是固定的；训练完成后，判别器和生成器网络权重wG和wD被用于线上判别阶段；

在线上判别阶段，判别器的线上判别过程是在生成器的辅助下，基于式(8)应用于接收信号Y中的导频符号YP的；在该过程中，判别器判别当前的CSI是否与DNN检测器训练信道hd的CSI和由G(z,YP)表示的前一次生成器更新的CSI状态发生显著的变化；随后，判别器提供判别结果以决定是否需要完成线上生成器更新过程；

在线上更新阶段，与线下训练算法相比，线上更新过程不使用线下数据集 而是采用接收信号Y中的导频符号YP，从而反映出该时刻的实际信道状态；在更新过程中，固定判别器的权重不变，利用判别器的判别结果反馈实现CGAN中的生成器更新；生成器的更新过程与训练过程相似，区别在于线上更新迭代次数IU的数目较小，这是因为生成器已经完成了线下训练阶段，实现了信号生成功能学习，线上阶段只需要较低程度地调制网络参数即可。