1.一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，包括：在可见光CPA系统中，将接收端下采样接收到的信号输入到基于贝叶斯神经元的深度学习非线性补偿模块中进行非线性补偿，得到补偿后的QAM信号；对补偿后的QAM信号进行QAM解映射，得到均衡信号，实现对可见光CAP系统的非线性补偿；

基于贝叶斯神经元的深度学习非线性补偿模块包括已训练好的基于贝叶斯神经元的神经网络模型，对基于贝叶斯神经元的神经网络模型进行训练的过程包括：S1：获取原始信号数据集，对原始信号数据集进行预处理，得到训练集和训练集的标签集；

S2：初始化网络参数，设置损失函数理想值；其中，网络参数包括第一网络参数、第二网络参数和第三网络参数；

S3：根据第二网络参数和第三网络参数初始化变分参数，根据变分参数和第一网络参数定义最小化变分分布；

S4：将训练集和训练集的标签集输入到基于贝叶斯神经元的神经网络模型中进行训练；

S5：根据第一网络参数和最小化变分分布计算基于贝叶斯神经元的神经网络模型的损失函数；

S6：判断损失函数是否达到损失函数理想值，若达到理想值，则保存网络参数并输出该网络参数对应的神经网络模型，否则采用贝叶斯反向传播更新网络参数，返回步骤S4。

2.根据权利要求1所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，基于贝叶斯神经元的神经网络模型包括输入层、隐藏层和输出层；

输入层为一个11维的向量；隐藏层含有2层结构，分别由64个神经元和32个神经元全连接组成；输出层为一个16维向量。

3.根据权利要求2所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，隐藏层采用ReLU函数作为激活函数，输出层采用softmax函数作为激活函数；

ReLU函数的公式为：

softmax函数的公式为：

其中，y表示隐藏层的输出，x表示隐藏层的输入，Pi表示第i个神经元的输出信号电平概率，yi表示隐藏层第i个神经元的输出，yk表示隐藏层第k个神经元的输出，n表示判决分类个数。

4.根据权利要求1所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，对原始信号数据集进行预处理的过程包括：获取CPA可见光系统发送端信号数据和接收端信号数据；将接收端信号数据按照7：3的比例划分为训练集样本和测试集样本；将发送端信号数据按照7：3的比例划分为训练集的标签信号样本和测试集的标签信号样本；

采用滑动窗口对训练集样本和测试集样本进行划分，得到训练集和测试集；

采用滑动窗口对训练集的标签信号样本和测试集的标签信号样本进行划分，得到训练集的标签信号样本集和测试集的标签信号样本集；

取训练集的标签信号样本集中间数构成训练集的标签集。

5.根据权利要求1所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，第一网络参数为：ρ

ω＝μ+log(1+e)*ε,ε～N(0,1)

其中，ω表示第一网络参数，μ表示第二网络参数，ρ表示第三网络参数，ε～N(0,1)表示随机变量ε服从标准正态分布。

6.根据权利要求1所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，基于贝叶斯神经元的神经网络模型的损失函数为：L(ω|θ)＝H+αKL[q(ω|θ)||P(ω)]其中，L(ω|θ)表示神经网络模型的损失，H表示模型的交叉熵损失，α表示动态衰减系数，KL表示散度损失，q(ω|θ)表示变分分布，P(ω)表示第一网络参数的先验概率，Pi表示第i个神经元的输出信号电平概率，ti表示目标分类电平。

7.根据权利要求1所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，更新网络参数的过程包括：计算第二网络参数的梯度和第三网络参数的梯度；

根据第二网络参数的梯度更新第二网络参数，根据第三网络参数的梯度更新第三网络参数；

根据新的第二网络参数和第三网络参数更新第一网络参数。

8.根据权利要求7所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，更新第二网络参数的公式为：*

μ＝μ‑ηΔμ

其中，Δμ表示第二网络参数的梯度，L(ω,θ)表示神经网络模型的损失，ω表示第一网*络参数，μ表示第二网络参数，μ表示更新后的第二网络参数，η表示学习速率。

9.根据权利要求7所述的一种基于贝叶斯神经元的深度学习可见光CAP系统的非线性补偿方法，其特征在于，更新第三网络参数的公式为：*

ρ＝ρ‑ηΔρ

其中，Δρ表示第三网络参数的梯度，ε～N(0,1)表示随机变量ε服从标准正态分布，ρ表示第三网络参数，L(ω,θ)表示神经网络模型的损失，ω表示第一网络参数，η表示学习速*率，ρ表示更新后的第三网络参数。