1.一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，包括在接收端的信号经过同步、归一化后输入到基于小波神经网络的时频联合后均衡器进行非线性补偿，得到均衡后的PAM信号，所述基于小波神经网络的时频联合后均衡器包括时域子网、频域子网、通道注意力模块以及输出层，其中时域子网和频域子网分别用于提取时域和频域的特征，并将提取的特征输入通道注意力模块获取时域分量、频域分量的补偿权重，在输出层通过将时域分量、频域分量与对应的补偿权重相乘后求和，最后输入一个一维卷积层变换维度后，输出均衡后的信号。

2.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层中，前一个全连接层后接ReLU激活层，后一个全连接层后接sigmoid层，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值。

3.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个一维卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入。

4.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，通道注意力模块获取时域分量、频域分量的补偿权重，即时域子网和频域子网的输出经过通道注意力层，获取各自的权重，通道注意力层计算权重的过程包括：其中，w表示通过通道注意力层计算得到的补偿权重；e为自然常数，zi为第i个通道的输出值，C为输出的通道数。

5.根据权利要求1所述的一种基于小波神经网络的VLC系统时频联合后均衡方法，其特征在于，对基于小波神经网络的时频联合后均衡器的训练过程包括：将接收端的信号样本及其对应的发送端收到的信号样本按照7:3的比例分别作为训练样本和验证样本；

设置滑动窗口大小，并根据滑动窗口大小将训练样本和验证样本进行切分；

初始化基于小波神经网络的时频联合后均衡器的模型参数，并设置训练次数的上限；

进行训练时，将训练样本中接收端收到的数据输入基于小波神经网络的时频联合后均衡器，得到均衡后的信号；

计算得到的均衡信号与该信号对应的发送端的数据之间的损失；

判断是否达到最大训练次数，如果达到则保留模型参数，完成训练；否则将验证样本输入模型进行训练，若连续n次模型的准确率没有提升，则保存当前模型参数，完成训练；

否则利用计算得到的均衡信号与该信号对应的发送端的数据之间的损失，反向传播并更新网络模型的参数，进行下一次模型的训练。

6.一种基于小波神经网络的VLC系统时频联合后均衡装置，其特征在于，包括时域子网模块、频域子网模块以及输出模块，其中时域子网模块用于对输入的畸变信号进行时域补偿；频域子网模块用于对输入的畸变信号进行频域补偿；输出模块用于将通过时域子网模块、频域子网模块补偿后的信号相加后通过一个一维卷积层获取均衡后的信号。

7.根据权利要求6所述的一种基于小波神经网络的VLC系统时频联合后均衡装置，其特征在于，时域子网模块包括时域子网和通道注意力模块，时域子网包括一维卷积器和软阈值器，其中一维卷积器用于通过卷积操作提取时域信号的特征，提取的特征作为软阈值器的输入；软阈值器通过级联的一个全局平均池化模块、两个全连接层以及一个乘法器获取阈值，其中级联的两个全连接层后面均设置有一个激活函数，最后一级的全连接层后接sigmoid层作为激活函数，sigmoid层的输出通过乘法器与一维卷积器的输出相乘后得到软阈值器的阈值；软阈值器的输出作为通道注意力层的输入，通过通道注意力层得到补偿权重，输入时域子网模块的信号与该补偿权重相乘，完成对信号的补偿。

8.根据权利要求6所述的一种基于小波神经网络的VLC系统时频联合后均衡装置，其特征在于，频域子网模块包括频域子网和通道注意力模块，频域子网包括小波变换器以及三个级联的一维卷积器，小波变换后的数据输入三个级联的一维卷积器，其中级联的三个以为卷积器中，第一级的输出和第二级的输出进行拼接后作为第三级的输入，最后一级的一维卷积器的输出作为通道注意力层的输入，通过通道注意力层得到补偿权重，小波变换器的输出与该补偿权重相乘，完成对信号的补偿。

9.一种计算机设备，包括处理器和存储器，其特征在于，存储器中存储有计算机程序，处理器运行存储器中存储的计算机程序实现权利要求1～5所述的任一项一种基于小波神经网络的VLC系统时频联合后均衡方法。

10.一种计算机程序，其特征在于，该程序实现权利要求1～5所述的任一项一种基于小波神经网络的VLC系统时频联合后均衡方法。