1.一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，包括以下步骤：步骤S1、将本地节点统计周期 时间内在各频点上发送与接收脉冲数量总和的平均值作为节点信道负载统计值；步骤S2、对步骤S1中的节点信道负载统计值进行修正，得到修正后的信道负载统计结果；步骤S3、获取网络中的信道负载统计结果，构建信道负载统计结果数据集；步骤S4、将信道负载统计结果数据集进行Z-Score标准化处理，并将其按3：1：1比例进行顺序划分，分别作为训练集、验证集和测试集；步骤S5、采用滑动窗口模式对信道负载统计结果数据集的输入和输出进行重构；步骤S6、构建BiLSTM神经网络信道负载预测模型，模型包括输入层、BiLSTM层和输出层，并使用Adam算法对网络进行优化；步骤S7、设置学习率 和训练轮数 m ，对BiLSTM神经网络信道负载预测模型进行训练；步骤S8、训练完成后，使用验证集对模型进行性能评估，评估指标选用均方根误差RSME，若均方根误差RSME的值满足精度要求，则进入步骤S9，否则返回步骤S7；步骤S9、当带有优先级标志的数据包到达MAC层，队列调度模块根据数据包优先级将带有优先级标志的数据包插入对应的优先级队列。
2.根据权利要求1所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，步骤S1具体为：定义节点信道负载统计周期 ，记录 时间内本地节点通过各频点发送的脉冲数量 ，则本地节点 时间内发送的脉冲数量为： ；其中， 表示第 个频点， 为跳频频点总个数；则本地节点 时间内接收的脉冲数量为： ；将本地节点统计周期 时间内在各频点上发送与接收脉冲数量总和的平均值作为节点信道负载统计值，即： 。
3.根据权利要求2所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，步骤S2具体为：假设脉冲到达物理层的过程服从达到率为 泊松分布，总频点数为 ，单一信道的脉冲到达率为 ，则时间段 内有 个脉冲到达的概率为： ；设脉冲比特长度为 ，基带处理速率为 ，则单个脉冲发送或接收所需时间为： ；另设保护间隔时间长度为 ，则节点处于脉冲发送或接收时间的概率为： ；处于保护间隔的概率为： ；设脉冲接收无冲突为事件 ，则脉冲接收无冲突的概率为： ；其中， ，表示节点处于脉冲发送时间时无脉冲接收冲突的概率； ，表示节点处于脉冲接收时间时无脉冲接收冲突的概率、 ，表示节点处于保护间隔时无脉冲接收冲突的概率、 和 皆为第一种误差， 为第二种误差；因此，得到修正后的信道负载统计结果为： 。
4.根据权利要求3所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，步骤S5具体为：处理第 t 个周期时，将第 t 个周期的信道负载作为输出数据标签y，第 t - m 至第 t -1个周期的信道负载作为输入数据特征矩阵x。
5.根据权利要求4所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，步骤S6中通过对LSTM神经网络进行改进构建BiLSTM神经网络信道负载预测模型，LSTM神经网络的单个神经元结构包含三种门控机制，分别为遗忘门、输入门和输出门；其中，遗忘门计算公式如下： ；式中， 为遗忘门输出， 为激活函数， 为 时刻隐藏层输出， 为 时刻输入， 、 和 均为遗忘门参数；输入门计算公式如下： ；式中， 为输入门输出， 、 和 均为输入门参数；LSTM神经元通过 决定上一时刻细胞态 对细胞态 的影响程度，同时通过 决定细胞态更新值 对细胞态 的影响程度，具体计算公式如下： ； ；式中， 为激活函数；输出门计算公式如下： ；式中， 为输出门输出， 、 和 为输出门参数；最后，通过输出门输出 和细胞态 计算得到隐藏层状态 ，具体计算公式如下： ；将上述LSTM神经元计算过程记为 ，则BiLSTM细胞元输出为： ；其中， 为 时刻正向LSTM网络的隐藏层状态， 为 时刻反向LSTM网络的隐藏层状态。
6.根据权利要求5所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，步骤S8中，均方根误差RSME的计算公式为： ；其中， 为模型预测值， 为真实值， 为测试集样本数量。
7.根据权利要求6所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，步骤S9中的队列调度模块采用严格优先级调度原则，即只有高优先级队列为空时，低优先级队列数据包才有机会被取出发送；对于同一优先级队列中的数据包则采用先进先出原则。
8.根据权利要求7所述的一种基于BiLSTM信道负载预测的SPMA协议设计方法，其特征在于，在步骤S9之后还包括以下步骤：步骤S10、对所有队列按优先级从高到低进行检查，在首个非空队列停止，取出队首数据包判断其是否过期，若未过期则转入待发状态；若过期则直接丢弃，重新按优先级由高到低顺序进行检查；步骤S11、将数据包最低优先级的发送阈值设置为 ，其他高优先级阈值通过下式按优先级业务比例进行设置： ；其中， 表示优先级 阈值， 为历史周期内优先级 业务量占比；步骤S12、使用BiLSTM神经网络信道负载预测模型预测当前周期内的信道负载值，并对结果执行去归一化；步骤S13、将待发数据包的优先级阈值与步骤S12得到的信道负载统计结果进行比较：当阈值大于信道负载统计值时，直接发送该数据包；若阈值小于信道负载统计值则转入步骤S14；步骤S14、设置随机退避时间长度为： ；其中 表示需要随机退避的临界优先级， 表示 优先级数据包的退避时间， 为步骤S12信道负载预测值， 为与优先级有关的系数因子，优先级越低其取值越大， 为 优先级业务量占比， 表示单位退避时间长度， 表示随机抖动；步骤S15、退避计时结束后检查数据包是否过期，若过期直接丢弃，转到步骤S10，服务下一数据包；若未过期，转到步骤S12，对当前周期信道负载值重新预测；若退避过程中，有更高优先级数据包到达，则暂停退避计时，转到步骤S10，优先服务新到达的高优先级数据包。
