1.一种深度学习联合信道估计的LoRa系统信号检测方法，其特征在于，包括：S100：搭建LoRa系统，生成LoRa信号，包括：S110：搭建LoRa系统，搭建的所述LoRa系统包括：发射端、通信信道以及接收端；

S120：在所述发射端输出比特序列并经过进制转换、插入导频、串并转换、LoRa调制、添加循环前缀及并串转换处理；

S130：设LoRa调制之后得到信号X，其中所述信号X包含导频pilot和载荷x；

S140：所述信号X经过所述通信信道时，基于衰落信道和噪声的影响，在所述接收端得到LoRa信号y，使用数学表达式描述y为：y＝hX+n；

式中，h为通信信道系数，n为复高斯噪声；

其中，所述信号y包括：导频响应部分yx和载荷响应部分ypilot；

S200：对LoRa信号中原始导频部分、导频响应部分和载荷响应部分进行切割、标记处理，并对切割、标记后的LoRa信号进行预处理，包括：S210：在所述接收端已知原始导频部分pilot的基础上，切割出导频响应部分yx和载荷响应部分ypilot以及原始导频部分pilot；

S220：使用原始比特序列对切割出的导频响应部分yx和载荷响应部分ypilot以及原始导频部分pilot进行标记；

S230：对步骤S220进行标记的信号进行Dechirp处理、离散傅里叶变换处理、以及提取实部和虚部处理以及归一化处理，包括：S231：Dechirp处理：使用初始随时间频率连续下降的down‑chirp信号与导频响应部分yx、载荷响应部分ypilot和原始导频部分pilot相乘，公式为：其中 为初始随时间频率连续下降的down‑chirp信号；

d

S232：离散傅里叶变换处理：将 和pilot从时域转换到频域中，得到三个复数矩阵；

S233：提取实部和虚部处理：将三个复数矩阵的实部和虚部分离，得到6个实数矩阵；

S234：归一化处理：对6个实数矩阵各自归一化，归一化的计算表达式为：其中，mean(A)、Var(A)分别表示求矩阵A的均值和方差，其中1e‑15是为常数，用于数值稳定性；

S300：基于经过预处理的LoRa信号，构造训练集和测试集，包括：S310：依据S200的处理结果，设置一次处理的LoRa信号数量、通道个数以及一个LoRa信号序列的长度；

S320：基于经过预处理的LoRa信号，按照S310设置的内容合成数据集；

S330：按照7:3的比列，将所述数据集随机划分为训练集和测试集；

S400：构造LoRa解调的初始神经网络模型，包括：S410：构建特征提取块，所述特征提取块由一个卷积层、一个批量归一化层、一个激活函数、一个平均池化层串联组成；

S420：构建LoRa解调的初始神经网络模型，所述初始神经网络模型由卷积神经网络CNN以及全连接神经网络FCNN构成，所述初始神经网络模型的结构包括：依次串联的输入层、隐藏层以及输出层，其中，所述隐藏层包括：第一特征提取块、第二特征提取块、第三特征提取块、层归一化、第一全连接层、第二全连接层以及第三全连接层；

S500：选取神经网络和优化函数的超参数，包括：S510：将所述输入层的输入维度设置为6×2^SF，其中SF为扩频因子；

S520：将所述第一特征提取块设置为:

卷积层为一维卷积层，输入通道数为6，输出通道数为96；

激活函数为ReLU激活函数；

平均池化层的核为2，步长为2；

S530：将所述第二特征提取块设置为:

卷积层为一维卷积层，输入通道数为96，输出通道数为256；

激活函数为ReLU激活函数；

平均池化层的核为3，步长为3；

S520：将所述第三特征提取块设置为:

卷积层为一维卷积层，输入通道数为256，输出通道数为256；

激活函数为ReLU激活函数；

平均池化层的核为2，步长为2；

S530：将所述第一全连接层、所述第二全连接层以及所述第三全连接层的神经元数量设置为256；

S540：所述输出层神经元个数为扩频因子SF，其中，扩频因子SF等于待预测比特序列的数量；

S600：利用所述训练集训练初始神经网络模型，并且通过所述测试集保存优化的神经网络模型参数性能，包括：S610：利用所述训练集训练初始神经网络模型；

S620：计算误码率，判断误码率是否符合要求，若误码率不符合要求，则重新选取超参数进行训练；若符合要求，则得到优化的神经网络模型；

S630：通过所述测试集测试优化的神经网络性能，保存优化的神经网络模型参数性能；

S700：将优化的神经网络模型部署到LoRa系统中进行LoRa信号检测。