1.一种基于深度学习的网络拓扑重构方法，其特征在于，所述方法包括：获取目标网络的网络动力学方程，通过所述动力学方程得到网络节点的状态矩阵；对所述状态矩阵进行标记，得到深度学习模型的训练样本；将所述训练样本输入所述深度学习模型中，对所述深度学习模型进行训练；所述深度学习模型包括：预处理层、生成器和判别器；所述预处理层对输入的所述训练样本预处理，得到输入数据；所述判别器对所述输入数据进行判别，输出第一连边预测结果；所述生成器接收输入数据，输出生成数据；所述判别器对所述生成器进行判别，得到第二连边预测结果；构建训练所述判别器的第一损失函数，对所述判别器进行训练；所述第一损失函数计算所述第一连边预测结果与所述输入数据对应标签的损失；构建训练所述生成器的第二损失函数，对生成器进行训练；所述第二损失函数计算所述第二连边预测结果与所述输入数据对应标签的损失；将待预测的网络节点的状态矩阵输入训练好的深度学习模型，得到网络拓扑；所述网络动力学方程包括：热量扩散动力学方程、互利共生动力学方程以及基因调控动力学方程；所述获取目标网络的网络动力学方程，通过所述动力学方程得到网络节点的状态矩阵，包括：分别获取热量扩散动力学方程、互利共生动力学方程以及基因调控动力学方程，求解所述热量扩散动力学方程、互利共生动力学方程以及基因调控动力学方程，得到目标网络中各个节点的状态值；将所述状态值作为向量值，得到目标网络的状态矩阵；所述方法还包括：获取连续时间数据重构网络的拓扑结构，将连续时间数据重构网络上节点的状态集合表示为：其中， 表示节点 在 时刻的状态值， 表示总的时间长度；根据两个节点的所述状态集合，预测两个节点之间存在连边的概率 ；确定 ，其中， 为网络节点数量， 为网络的邻接矩阵，从而将各个节点的状态集合转化为节点的状态向量。
2.根据权利要求1所述的方法，其特征在于，所述第一损失函数和所述第二损失函数均是平方损失函数。
3.根据权利要求1所述的方法，其特征在于，所述生成器为三层带有sigmoid激活层的全连接神经网络。
4.根据权利要求1所述的方法，其特征在于，所述判别器为三层带有sigmoid激活层的全连接神经网络。
5.一种基于深度学习的网络拓扑重构装置，其特征在于，所述装置包括：状态矩阵获取模块，用于获取目标网络的网络动力学方程，通过所述动力学方程得到网络节点的状态矩阵；训练模块，用于对所述状态矩阵进行标记，得到深度学习模型的训练样本；将所述训练样本输入所述深度学习模型中，对所述深度学习模型进行训练；所述深度学习模型包括：预处理层、生成器和判别器；所述预处理层对输入的所述训练样本预处理，得到输入数据；所述判别器对所述输入数据进行判别，输出第一连边预测结果；所述生成器接收输入数据，输出生成数据；所述判别器对所述生成器进行判别，得到第二连边预测结果；构建训练所述判别器的第一损失函数，对所述判别器进行训练；所述第一损失函数计算所述第一连边预测结果与所述输入数据对应标签的损失；构建训练所述生成器的第二损失函数，对生成器进行训练；所述第二损失函数计算所述第二连边预测结果与所述输入数据对应标签的损失；重构模块，用于将待预测的网络节点的状态矩阵输入训练好的深度学习模型，得到网络拓扑；所述网络动力学方程包括：热量扩散动力学方程、互利共生动力学方程以及基因调控动力学方程；所述状态矩阵获取模块还用于分别获取热量扩散动力学方程、互利共生动力学方程以及基因调控动力学方程，求解所述热量扩散动力学方程、互利共生动力学方程以及基因调控动力学方程，得到目标网络中各个节点的状态值；将所述状态值作为向量值，得到目标网络的状态矩阵；状态矩阵获取模块还用于获取连续时间数据重构网络的拓扑结构，将连续时间数据重构网络上节点的状态集合表示为：其中， 表示节点 在 时刻的状态值， 表示总的时间长度；根据两个节点的所述状态集合，预测两个节点之间存在连边的概率 ；确定 ，其中， 为网络节点数量， 为网络的邻接矩阵，从而将各个节点的状态集合转化为节点的状态向量。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
