1.一种适用于多特征值非线性频分复用系统的噪声均衡方法，其特征在于，包括以下步骤：S1、获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号；

S2、计算表征噪声分量的每一个对应特征值的扰动；

S3、对受损离散谱信号和特征值扰动进行预处理，并将经预处理后的受损离散谱信号和特征值扰动作为输入特征，输入至复值神经网络，同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签；

所述复值神经网络包括依次连接的输入单元、隐藏单元和输出单元；

所述输入单元，用于接收经预处理后的受损离散谱信号和特征值扰动，并传输至隐藏单元；

所述隐藏单元，用于提取输入单元传输的信息，并完成受损离散谱信号与相应的特征值扰动对应关系的转换与计算过程；

所述输出单元，用于根据隐藏单元的转换和计算结果，输出经过噪声均衡后的离散谱信号；

所述隐藏单元为自定义复值全连接层；其中，所述自定义复值全连接层的输入信号为复数，其包括实部信号和虚部信号；

所述自定义复值全连接层通过下式定义：

其中， 表示单层复值全连接层的输出， 表示输入特征， 表示单层复值全连接层权重系数，表示单层复值全连接层偏置系数， 和 分别表示单层复值全连接层输出信号的实部和虚部运算， 表示复数输入的实部， 表示复数输入的虚部， 表示权重系数的实部， 表示权重系数的虚部， 表示偏置系数的实部， 表示偏置系数的虚部， 表示虚数单位；

S4、利用每个特征值对应的输入特征和标签分别训练复值神经网络，得到并保存复值神经网络训练后的模型，然后加载待均衡数据至对应模型中进行噪声均衡处理，最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号，其中，该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动；

S5、对于每个传输距离，分别重复步骤S1‑S4进行噪声均衡处理，得到噪声均衡后的全部输出信号。

2.根据权利要求1所述的适用于多特征值非线性频分复用系统的噪声均衡方法，其特征在于，所述特征值扰动的表达式如下：其中， 表示特征值扰动， 表示传输距离 后实际接收到的第 个特征值， 表示理想的第 个特征值。

3.根据权利要求1所述的适用于多特征值非线性频分复用系统的噪声均衡方法，其特征在于，所述预处理为：对接收端NFT后每一个特征值对应的受损离散谱信号和特征值扰动分别进行取实部操作和取虚部操作。

4.根据权利要求1所述的适用于多特征值非线性频分复用系统的噪声均衡方法，其特征在于，所述复值神经网络的损失函数的表达式如下：其中， 表示复值神经网络的损失函数，p表示接收符号的总数，表示接收符号的索引号， 表示任务标签， 表示网络预测输出值。

5.一种执行权利要求1‑4任一所述的适用于多特征值非线性频分复用系统的噪声均衡方法的噪声均衡装置，其特征在于，包括：第一处理模块，用于获取不同传输距离下的多特征值非线性频分复用系统发射端高阶调制信号的映射星座点和接收端NFT后的特征值及对应的受损离散谱信号；

第二处理模块，用于计算表征噪声分量的每一个对应特征值的扰动；

第三处理模块，用于对受损离散谱信号和特征值扰动进行预处理，并将经预处理后的受损离散谱信号和特征值扰动作为输入特征，输入至复值神经网络，同时将获取的高阶调制信号的映射星座点作为复值神经网络的标签；

第四处理模块，用于利用每个特征值对应的输入特征和标签分别训练复值神经网络，得到并保存复值神经网络训练后的模型，然后加载待均衡数据至对应模型中进行噪声均衡处理，最后将每个特征值对应模型分别预测输出的信号经重新维度整形后得到噪声均衡后的总输出信号，其中，该待均衡数据包括测试阶段每个特征值对应的预处理后的受损离散谱信号和特征值扰动；

第五处理模块，用于对于每个传输距离，分别重复步骤S1‑S4进行噪声均衡处理，得到噪声均衡后的全部输出信号。