1.一种卫星频谱占用状态拟合与预测方法，其特征在于，包括卫星接收数据预处理、卫星频谱占用状态拟合、卫星频谱占用状态预测三个部分；

步骤S1：卫星接收数据预处理，将卫星接收信号强度转化为卫星频谱占用/空闲状态，获得卫星频谱中频点的占用/空闲时间序列，基于获得的卫星频谱中频点的占用/空闲时间序列得到卫星频谱中频点的信道占用长度序列；

步骤S2：卫星频谱占用状态拟合，对所述卫星频谱中频点的信道占用长度序列进行概率密度曲线拟合，获得概率密度分布结果；

步骤S3：卫星频谱占用状态预测，预测卫星频谱中频点的信道占用长度和预测卫星频谱中频点的信道占用概率；

所述步骤S3中，预测卫星频谱中频点的信道占用长度，包括以下步骤：步骤S3.1：对卫星频谱信道占用长度序列F进行归一化，进入步骤S3.2；

其中，F*(x)表示F(x)归一化后的值，F(x)表示数据的原始占用长度值，1≤x≤X,X表示卫星频谱信道占用长度序列F的序列长度；

步骤S3.2：建立神经网络模型，所述神经网络模型训练的性能评估准则由下式给出，其中，MSE表示均方误差，F(x)是数据的原始占用长度值， 是训练模型预测的占用长度值；

步骤S3.3：对所述神经网络模型进行训练，并利用训练好的神经网络模型预测选定频点未来的频谱占用长度；

所述步骤S3.3中，设置网络迭代次数为Q，设置期望误差为E，设置样本个数为R，设置初始值r＝0，设置总误差ERME＝0，所述神经网络模型训练过程具体包括以下步骤：步骤S3.3.1：输入第r个样本，进入步骤S3.3.2；

步骤S3.3.2：计算总误差ERME＝ERME+MSE，进入步骤S3.3.3；

步骤S3.3.3：当r＜R时，r＝r+1，返回步骤S3.3.1；否则，网络迭代次数q＝q+1，进入步骤S3.3.4；

步骤S3.3.4：当ERME＞E时，若q＜Q，则ERME＝0，r＝0，返回步骤S3.3.1；否则，结束训练，利用训练好的神经网络模型预测选定频点未来的频谱占用长度；

所述步骤S3中，预测卫星频谱中频点的信道占用概率，包括以下步骤：步骤S4.1：计算状态转移概率矩阵P，进入步骤S4.2；

其中，Pij＝P(Si→Sj)(i,j＝0,1)表示由状态Si转移到Sj的概率为转移概率；S0表示信道空闲，S1表示信道占用；Sij表示在所述序列中信道状态由i转向j的次数；

步骤S4.2：预测得到未来第k个时刻的信道占用/空闲概率矩阵，其中，A为初始状态矩阵，根据获取到的卫星频谱信道占用和空闲序列 中的最后一个点T(tM,fn)的值进行设定，tM表示第m个时刻，fn表示第n个频点，若T(tM,fn)＝0，A＝[1,0]；否则A＝[0,1]；

从而得到未来的信道占用/空闲概率矩阵，

其中，P0(k)表示第k个时间点信道状态为空闲的概率；P1(k)表示第k个时间点信道状态为占用的概率,1≤k≤K。

2.根据权利要求1所述的一种卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S1中，卫星接收数据预处理，具体包括以下步骤：步骤S1.1：选取卫星频谱中频点fn的卫星信号强度数据p(tm,fn)，并将该频点的信号强度数据从小到大依次排序，统计每一强度值对应的数目nPn，并选择第二小的强度值及所述第二小的强度值对应的个数，进入步骤S1.2；

其中，tm表示第m个时刻；fn表示第n个频点；1≤n≤N，N表示采样的频点个数；1≤m≤M，m表示每个频点采样的时刻；

步骤S1.2：计算所选取强度值对应的个数与所选强度值前一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，进入步骤S1.4；

步骤S1.3：选取当前强度值后一强度值及其个数作为当前的强度值和个数，进入步骤S1.2；

步骤S1.4：计算所选取强度值对应的个数与该强度值后一强度值对应的个数间的差值，如果差值≥0，进入步骤S1.3；否则，将当前信号强度值设为门限值Pthreshold，并进入步骤S1.5；

步骤S1.5：计算fn频点的占用/空闲时间序列，占用为1，空闲为0，并进入步骤S1.6；

其中，

步骤S1.6：统计卫星频谱的占用长度序列，遍历所述序列，统计所述序列中连续为1即信道连续为占用状态的长度，得到频点fn的信道占用长度序列F＝(F1,F2，...FX)；其中，X是序列长度，FX是占用长度值。

3.根据权利要求1所述的一种卫星频谱占用状态拟合与预测方法，其特征在于，所述步骤S2中，卫星频谱占用状态拟合，对卫星频谱中某一频点的占用长度序列的概率密度曲线进行拟合，获得概率密度分布结果，其中，τ表示序列F中某一频点在采样周期内出现的次数，λ表示序列F中某一频点在采样周期内出现的平均次数。