1.一种用于mcu的ldpc码纠错方法，其特征在于：包括如下步骤：
s1步，根据设定ldpc码长和码率构造ldpc的校验矩阵h，由校验矩阵h转换得到生成矩阵g，并将校验矩阵h和生成矩阵g进行储存；
s2步，输入长度为k的信息序列x；基于生成矩阵g，将信息序列x进行编码得到码字y；将码字y编制成码字信息并向外传输；
s3步，接收码字信息，得到带噪码字y′；使用深度学习译码法将带噪码字y′直接译码成码字x。
2.根据权利要求1所述的用于mcu的ldpc码纠错方法，其特征在于：所述s1步中，校验矩阵h的构造方法是：设定ldpc码长为n，校验位长度为m，码率为r＝k/n；利用maykay构造法，构造出校验矩阵h。
3.根据权利要求2所述的用于mcu的ldpc码纠错方法，其特征在于：所述s1步中，由校验矩阵h转换得到生成矩阵g，是指：将校验矩阵h的右半部分h2求逆，再乘校验矩阵h的左半部分h1，得到生成矩阵g的右半部分g2；生成矩阵g的左半部分g1设定为大小为k×k的单位矩阵i：
其中，生成矩阵g的大小为k×n。
4.根据权利要求3所述的用于mcu的ldpc码纠错方法，其特征在于：所述s2步中，基于生成矩阵g，将信息序列x与生成矩阵g相乘得到长度为n的码字y：
y＝x×g。
5.根据权利要求4所述的用于mcu的ldpc码纠错方法，其特征在于：所述s3步中，使用深度学习译码法将带噪码字y′直接译码成码字x，是指：包括以下分步骤：
s31步，构建深度学习模型：采用dnn模型，设定模型输入层维度、隐藏层层数以及各层网络的神经元个数、输出层神经元个数，在隐藏层的输出部分添加激活函数，设定模型的损失函数；
s32步，训练模型：构建数据集，数据集为多组的带噪码字y′，标签为原始码字的信息序列x；将数据集按设定比例分为训练集和验证集；将训练集输入到dnn模型，通过反向传播算法来更新模型的参数使损失函数收敛，当验证集的准确率和损失函数趋于稳定时停止训练，保存模型；
s33步，将保存的模型作为纠错模型，带噪码字y′通过纠错模型后译码为码字x。
6.一种实现权利要求1所述的用于mcu的ldpc码纠错方法的ldpc码纠错模块，其特征在于：包括：
ldpc矩阵储存模块，用于根据设定ldpc码长和码率构造ldpc的校验矩阵h，由校验矩阵h转换得到生成矩阵g，并将校验矩阵h和生成矩阵g进行储存；
ldpc编码模块，用于基于生成矩阵g，将长度为k的信息序列x进行编码得到码字y；
以及ldpc译码模块，用于接收带噪码字y′，使用深度学习译码法将带噪码字y′直接译码成码字x。
7.根据权利要求6所述的用于mcu的ldpc码纠错模块，其特征在于：所述ldpc矩阵储存模块中，设定ldpc码长为n，校验位长度为m，码率为r＝k/n；利用maykay构造法，构造出校验矩阵h。
8.根据权利要求7所述的用于mcu的ldpc码纠错模块，其特征在于：所述ldpc矩阵储存模块中，由校验矩阵h转换得到生成矩阵g，是指：将校验矩阵h的右半部分h2求逆，再乘校验矩阵h的左半部分h1，得到生成矩阵g的右半部分g2；生成矩阵g的左半部分g1设定为大小为k×k的单位矩阵i：
其中，生成矩阵g的大小为k×n。
9.根据权利要求8所述的用于mcu的ldpc码纠错模块，其特征在于：所述ldpc编码模块中，基于生成矩阵g，将信息序列x与生成矩阵g相乘得到长度为n的码字y：
y＝x×g。