1.基于深度学习的叠加编码CSI反馈方法，其特征在于，包括以下步骤：a:用户端：

(a1)用户端读取长度为N的信道状态信息H和长度为M的“上行用户序列”D；

(a2)对信道状态信息H进行扩频处理，得到长度为M的扩频序列Hspread；

T

矩阵P为walsh扩频矩阵，满足PP＝MIN，上标“T”表示转置运算，IN表示N阶单位矩阵；

(a3)将扩频序列Hspread与上行用户序列D进行加权叠加，得到叠加序列；

步骤(a3)所述的加权叠加：

其中，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，N表示信道状态信息帧长，S表示叠加序列；

(a4)用户端发射叠加序列；

b：基站端：

(b1)基站接收得到接收序列R；

(b2)基站利用基于“逐子网络训练方法”训练得到的“多任务神经网络”恢复信道状态信息H和上行用户序列D；

步骤(b2)所述的“多任务神经网络”，包括四个子网络：CSI‑NET1、CSI‑NET2、DET‑NET1和DET‑NET2；

所述的子网络CSI‑NET1、CSI‑NET2、DET‑NET1和DET‑NET2采用级联的方式连接在一起；

所述的子网络CSI‑NET1、CSI‑NET2、DET‑NET1和DET‑NET2均只包括一个输入层，一个隐藏层和一个输出层；

所述的子网络CSI‑NET1、CSI‑NET2、DET‑NET1和DET‑NET2的输入均采用标准化处理；

所述的子网络CSI‑NET1、CSI‑NET2、DET‑NET1和DET‑NET2的隐藏层激活函数均采用swish函数；

所述的CSI‑NET1和CSI‑NET2子网络的输入层，隐藏层和输出层节点数分别为2N，16N和

2N；

所述的DET‑NET1和DET‑NET2子网络的输入层，隐藏层和输出层节点数分别为2M，16M和

2M；

所述的子网络CSI‑NET1和DET‑NET1之间，通过如下方式减少信道状态信息的叠加干扰，即：

其中， 表示CSI‑NET1的输出，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，N表示信道状态信息帧长，R表示接收序列， 表示消除信道状态信息的叠加干扰后的输出，并将作为DET‑NET1的输入；

所述的子网络DET‑NET1和CSI‑NET2之间，通过如下方式减少上行用户序列的叠加干扰，即：

其中， 表示DET‑NET1的输出，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，R表示接收序列， 表示消除上行用户序列的叠加干扰后的输出，并将 作为CSI‑NET2的输入；

所述的子网络CSI‑NET2和DET‑NET2之间，通过如下方式减少信道状态信息的叠加干扰，即：

其中 表示CSI‑NET2的输出，ρ∈[0,1]表示叠加因子，EK表示用户发送功率，N表示信道状态信息帧长，R表示接收序列， 表示消除信道状态信息的叠加干扰后的输出，并将作为DET‑NET2的输入；

标准化处理公式为norm(x)＝(x‑μ)/σ；

其中，x表示待标准化向量，μ表示x的均值，σ表示x的标准差；

所述的“逐子网络训练方法”，包括以下步骤：b21、训练CSI‑NET1的网络参数Wh11，bh11，Wh12，bh12；

b22、保持CSI‑NET1网络参数Wh11，bh11，Wh12，bh12不变，训练DET‑NET1网络参数Wd11，bd11，Wd12，bd12；

b23、保持CSI‑NET1和DET‑NET1网络参数Wh11，bh11，Wh12，bh12，Wd11，bd11，Wd12，bd12不变，训练CSI‑NET2网络参数Wh21，bh21，Wh22，bh22；

b24、保持CSI‑NET1，DET‑NET1和CSI‑NET2网络参数Wh11，bh11，Wh12，bh12，Wd11，bd11，Wd12，bd12，Wh21，bh21，Wh22，bh22不变，训练DET‑NET2网络参数Wd21，bd21，Wd22，bd22；

b25、保存各层网络参数

Wh11，bh11，Wh12，bh12，Wd11，bd11，Wd12，bd12，Wh21，bh21，Wh22，bh22，Wd21，bd21，Wd22，bd22；

所述的Whij,Wdij(i＝1,2；j＝1,2)表示加权矩阵，bhij,bdij(i＝1,2；j＝1,2)表示偏置矢量。