1.一种基于深度学习和混沌的椭圆曲线图像加解密系统，其特征在于：发送端的第一反射镜与第一分束器的第一端口相连，第一分束器的第二端口与主激光器的第一端口相连，第一分束器的第三端口连接第二分束器的第一端口，第二分束器的第二端口分四路分别连接发送端的第一从激光器的第一端口、第二从激光器的第一端口、接收端的第三从激光器的第一端口、第四从激光器的端口；第一从激光器的第二端口、第二从激光器的第二端口、第三从激光器的第二端口、第四从激光器的第二端口分别连接第三分束器的第一端口、第四分束器的第一端口、第五分束器的第一端口、第六分束器的第一端口，第三分束器的第二端口、第四分束器的第二端口、第五分束器的第二端口、第六分束器的第二端口分别连接第二反射镜、第三反射镜、第四反射镜、第五反射镜；第三分束器的第三端口、第四分束器的第三端口、第五分束器的第三端口、第六分束器的第三端口分别连接第一光电检测器的第一端口、第二光电检测器的第一端口、第三光电检测器的第一端口、第四光电检测器的第一端口，第一光电检测器的第二端口、第二光电检测器的第二端口、第三光电检测器的第二端口、第四光电检测器的第二端口分别连接第一电混沌序列生成器的第一端口、第二电混沌序列生成器的第一端口、第三电混沌序列生成器的第一端口、第四电混沌序列生成器的第一端口；第一电混沌序列生成器的第二端口、第二电混沌序列生成器的第二端口都连接至混沌置乱与椭圆曲线加密器的第一端口，混沌逆置乱与椭圆曲线加密器的第二端口连接异或加密器的第一端口，异或加密器的第二端口连接深度学习优化器的第一端口，深度学习优化器的第二端口连接随机数产生器，异或加密器的第三端口连接电光转换器；图像输入哈希序列生成器，哈希序列生成器与偏置电流控制器的第一端口连接，偏置电流控制器的第二端口与主激光器的第二端口连接；接收端的第三电混沌序列生成器的第二端口、第四电混沌序列生成器的第二端口都和混沌逆置乱与椭圆曲线解密器的第一端口相连，混沌逆置乱与椭圆曲线解密器的第二端口通过异或解密器与第五光电检测器相连，第五光电检测器与电光转换器相连。

2.根据权利要求1所述的一种基于深度学习和混沌的椭圆曲线图像加解密系统，其特征在于，所述主激光器的外腔反馈延迟时间为2.9ns。

3.根据权利要求1所述的一种基于深度学习和混沌的椭圆曲线图像加解密系统，其特征在于：所述第一从激光器、第四从激光器的延迟时间为2.7ns，所述第二从激光器、第三从激光器的延迟时间为2.75ns。

4.根据权利要求1所述的一种基于深度学习和混沌的椭圆曲线图像加解密系统，其特征在于，所述第一从激光器、第三从激光器的偏置电流为32mA，信号波长均为1550nm，功率为11mW。

5.根据权利要求1所述的一种基于深度学习和混沌的椭圆曲线图像加解密系统，其特征在于，所述第二从激光器、第四从激光器的偏置电流为30mA，信号波长均为1550nm，功率为10mW。

6.根据权利要求1所述的一种基于深度学习和混沌的椭圆曲线图像加解密系统，其特征在于，所述主激光器的平均偏置电流为28.2mA，信号波长1550nm，功率为10mW。

7.一种基于权利要求1-6任一项所述系统的椭圆曲线图像加解密方法，其特征在于按如下步骤：

第一步，接收端的混沌逆置乱与椭圆曲线解密器给定私钥k、基点G(Gx,Gy)，Gx,Gy为G在椭圆曲线上的x，y轴上的坐标值，计算公钥K＝kG，G和K发送给发送端，k为任意正整数；

第二步，发送端的混沌逆置乱与椭圆曲线加密器接收K和G，选定随机数r，r选定1到p-1，计算K′＝rK；K′为椭圆曲线上新的点；

第三步，在混沌逆置乱与椭圆曲线加密器中计算且K′xU2y,K′yU2y均小于素数p，mod(p)为取余运算，表示加法椭圆运算，其中U2＝rG，U1为密文，U2作为解密数据，U2y表示U2中的y坐标分量，(U1，U2)发送到接收端的混沌逆置乱与椭圆曲线解密器；M为原始信息，K′x、K′y为K′在椭圆曲线上的x、y坐标值；

第四步，接收端的混沌逆置乱与椭圆曲线解密器接收(U1，U2)，混沌逆置乱与椭圆曲线解密器对U1进行运算得到第五步，接收端的混沌逆置乱与椭圆曲线解密器执行得到M，解密出图像信息。

8.根据权利要求7所述的椭圆曲线图像加解密方法，其特征在于，

在深度学习优化器中，利用随机数产生器产生随机数序列x，给定第i个隐含层的权重系数矩阵Wi，i＝1,2,…,n，输出y，设定能量函数，即误差函数：E＝∑1/2(y-x)2

y＝Relu(WnRelu(…Relu(W2Relu(W1x+b1)+b2)…+bn))

Relu为修正线性单元函数，bi为偏置，按照误差反向传播法优化权重系数，使用误差反向传播法对误差损失函数的梯度信息进行反向传播，同时更新所有的模型参数，首先更新输出层模型参数，得到鲁棒性输出y，作为加密的秘钥，并通过私密通道发送给接收端。

9.根据权利要求8所述的椭圆曲线图像加解密方法，其特征在于，学习过程具体如下：

第一步：设置模型参数初始值，使用模型参数初始值和输入值x，逐层计算，以正向计算预测值；

第二步：计算误差，使用平方损失函数计算出误差；

第三步：误差反向传播，即对误差损失函数的梯度信息进行反向传播，同时更新所有的模型参数，首先更新输出层模型参数；

第四步：完成下一轮训练，进行循环训练，直到误差收敛到一个理想的值。