技术特征：
1.一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，包括步骤如下：(1)数据预处理：对获得的dm
‑
ofdm
‑
im信号和信道进行预处理；(2)训练dm
‑
ofdm
‑
im模型：将步骤(1)得到的预处理数据作为dm
‑
ofdm
‑
im模型的输入，进行dm
‑
ofdm
‑
im模型的离线训练；(3)在线调制：通过训练好的dm
‑
ofdm
‑
im模型对新的dm
‑
ofdm
‑
im信号在瑞利信道条件下进行在线调制，输出信噪比和误码率的关系曲线。2.根据权利要求1所述的一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，步骤(1)中，dm
‑
ofdm
‑
im信号的生成过程如下：在一个具有m个输入比特的dm
‑
ofdm
‑
im系统中，m个输入比特被分成p组，每组由g个比特组成，即p＝m/g；每组g个比特被输入一个索引选择器和两个不同的星座映射器，两个不同的星座映射器包括星座映射器a和星座映射器b，生成长度为l＝n/p的ofdm子块，n是快速傅里叶变换的大小；索引选择器使用输入的g个比特中的前g1个比特将每个ofdm子块的索引划分为两个索引子集，分别表示为i
a
和i
b
；剩下g个比特中的g2个比特被传送给星座映射器a和星座映射器b，用于生成与m
a
和m
b
大小相关联的m
a
和m
b
星座集；m
a
和m
b
分别是两种不同的星座图，满足m
a
＝{
‑1‑
j,1
‑
j,1+j,
‑
1+j},由此，通过索引选择器，i
a
和i
b
对应的子载波分别由星座映射器a和星座映射器b调制；假设一个ofdm子块中的k个子载波用m
a
方式调制，(l
‑
k)个子载波用m
b
方式调制，则g1和g2分别表示为式(i)和式(ⅱ)：g2＝klog2(m
a
)+(l
‑
k)log2(m
b
)
ꢀꢀꢀ
(ⅱ)式(i)中，表示向下取整；由g比特生成的传输信号向量表示成式(ⅲ)：x＝[x1,x2,
…
,x
n
]
ꢀꢀꢀꢀ
(ⅲ)式(ⅲ)中，x1,x2,
…
,x
n
是指由g比特生成的双模ofdm索引调制时域信号；由比特到符号的映射由函数f
3fdm
‑
im
(bit)表示，bit是由一组g比特的二进制数组成，如式(ⅳ)所示：bit＝[0,1,0,1,
……
]
ꢀꢀꢀ
(ⅳ)在接收端，时域接收信号y表示为式(
ⅴ
)：y＝h
⊙
x+n
ꢀꢀꢀ
(
ⅴ
)式(
ⅴ
)中，
⊙
表示元素相乘，h＝[h1,h2,
…
,h
n
]代表瑞利信道，n为加性高斯白噪声；平均接收信噪比表示为式(
ⅵ
)：式(
ⅵ
)中，e
s
为传输符号的平均能量，σ2为噪声的平方。
3.根据权利要求2所述的一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，步骤(1)中，对获得的dm
‑
ofdm
‑
im信号和信道进行预处理，包括：首先，将时域接收信号y乘以信道h的倒数，得到如式(
ⅶ
)所示：然后，求得的能量如式(
ⅷ
)所示：式(
ⅷ
)中，分别是指经过预处理后的n个接收信号；最后，将的实部的虚部以及共同组成dm
‑
ofdm
‑
im模型的输入dnn
input
，如式(
ⅸ
)所示：4.根据权利要求1所述的一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，所述dm
‑
ofdm
‑
im模型包括两个全连接层，包括一个含有q个节点的隐藏层和一个含有g个节点的输出层；隐藏层使用的激活函数为relu函数f
relu
(x)，如式(
ⅹ
)所示：f
relu
(x)＝max(0,x)
ꢀꢀꢀ
(
ⅹ
)输出层应用的激活函数是sigmoid函数f
sigmoid
(x)，如式(
ⅺ
)所示：以输出所传输数据比特的估计值。5.根据权利要求1所述的一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，所述dm
‑
ofdm
‑
im模型的输出如式(
ⅻ
)所示：式(
ⅻ
)中，w1、w2分别是指所述隐藏层、所述输出层的权重，b1、b2分别是指所述隐藏层、所述输出层的偏差。6.根据权利要求4所述的一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，q＝128。7.根据权利要求3所述的一种基于深度学习的双模正交频分复用索引调制检测方法，其特征在于，步骤(2)中，训练dm
‑
ofdm
‑
im模型，包括步骤如下：将得到的dnn
input
输入dm
‑
ofdm
‑
im模型进行离线训练，以获得最小的训练误差，dm
‑
ofdm
‑
im模型的误差函数表示如式(
ⅹⅲ
)所示：(
ⅹⅲ
)中，loss是指训练误差；g是指g个二进制比特；使用随机梯度下降算法来更新dm
‑
ofdm
‑
im模型的参数，如式(
ⅹⅳ
)所示：式(
ⅹⅳ
)中，n表示dm
‑
ofdm
‑
im模型的学习速率，θ为随机梯度下降中的初始参数，θ
+
为更新后的参数，通过梯度下降一次次的更新参数θ。8.一种基于深度学习的双模正交频分复用索引调制检测装置，其特征在于，即dm
‑
ofdm
‑
im检测器，包括依次连接的dm
‑
ofdm
‑
im信号产生器及dm
‑
ofdm
‑
im模型；所述dm
‑
ofdm
‑
im信号产生器用于实现权利要求1
‑
7任一所述一种基于深度学习的双模正交频分复用索引调制检测方法中步骤(1)中生成dm
‑
ofdm
‑
im信号；所述dm
‑
ofdm
‑
im模型用于实现权利要求1
‑
7任一所述一种基于深度学习的双模正交频分复用索引调制检测方法中步骤(2)至步骤(3)。