1.一种基于卷积神经网络的全波形数据去噪方法，其特征在于，具体包括如下步骤：S1，激光雷达采集原始数据；

S2，对原始数据十六进制数据转换为十进制数据；

S3，建立一维卷积稠密连接网络，利用一维卷积稠密连接网络进行全波形数据去噪；

S4，将去噪后的机载激光雷达全波形数据输出。

2.根据权利要求1所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S2具体包括如下步骤：S2.1，调用系统线程，读取计算机处理器的总线程数，确定要使用的线程数量；

S2.2，各个线程加载原始数据的每一批数据，之后各个线程进行相同流程的操作，即将数据从十六进制有符号数转换为十进制的回波强度数据；

S2.3，按照批次顺序保存为一个全波形数据文件。

3.根据权利要求1所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S3具体包括如下步骤：S3.1，建立一维卷积稠密连接网络包括：输入层、八个稠密块、八个过渡层和输出层；并且输入层连接第一稠密块后再连接第一过渡层，然后其余七个稠密块和七个过渡层交替连接，最后连接输出层；

S3.2，将全波形数据输入输入层，输入层包括输入操作和卷积操作，卷积操作利用复合函数 表示，复合函数 依次执行：数据批归一化、一维卷积和ReLU激活函数操作，经过一维卷积后的全波形数据提升维度；

S3.3，经过升维后的全波形数据进入第一稠密块进行特征提取，第一稠密块由六个稠密层稠密连接构成，并每个稠密层由两个大小不同的卷积核构成的卷积层连接组成，若稠密块中的第 个稠密层的输出为 ，稠密层执行的操作用 表示，则第个稠密层的输出可表示为： ；

若在稠密块中每个稠密层的通道数的增长率为 ，数据在输入稠密层前的通道数为，则经过 个稠密层后的通道数 表示为：；

S3.4，全波形数据进入第一过渡层，数据经过第一过渡层中的一维卷积层后通道数被压缩，随后进行平均池化操作；

S3.5，随后数据再通过七次如步骤S3.3‑步骤S3.5的操作，最后经过输出层输出，输出层由一个卷积层和输出操作组成，卷积层将通道数压缩，输出操作批量输出去噪数据。

4.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S3.3中，每个稠密块中包括六个稠密层，每个稠密块中的每个稠密层都与其他稠密层直接连接，这种连接方式称为稠密连接。

5.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S3.2中的一维卷积的卷积核为1*3。

6.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S3.3中的每个稠密层中的两个大小不同的卷积核分别为：1*5和1*1；并且数据先经过卷积核为1*5的卷积层，再经过1*1的卷积层。

7.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S3.4中的一维卷积层的卷积核为1*1。

8.根据权利要求3所述的一种基于卷积神经网络的全波形数据去噪方法，其特征在于，步骤S3.5中的卷积层的卷积核为1*1。