1.一种基于深度神经网络的近似消息传递大规模MIMO信号检测算法，其特征在于：包括以下步骤：步骤一：简化用于大规模MIMO系统置信传播算法并标量化，得到最初适用于大规模MIMO系统的近似消息传递算法；

步骤二：设置训练参数，得到改进的近似消息传递算法；

步骤三：将带有训练参数的近似消息传递算法展开成一个用于大规模MIMO系统检测的深度神经网络；

步骤四：对所构建的深度神经网络进行离线训练，得到适用于MIMO系统检测的最优近似消息传递深度神经网络，用训练好的神经网络进行在线检测。

2.根据权利要求1是的基于深度神经网络的近似消息传递大规模MIMO信号检测算法，其特征在于：所述步骤一的具体过程包括：大规模MIMO系统在基站端配置M根传输天线，用户端N传输天线，其实值信号模型为：y＝Hx+n  (1)

其中 表示接收端的接收信号矢量， 表示用户端传输的调制信号，H表示独立同分布的信道矩阵服从N(0,1/2M)， 为服从高斯分布的加性高斯白噪声，其均值为0，方差为 已知接收信号y和信道矩阵H,根贝叶斯理论和最小均方误差估计在大规模MIMO系统因子图的BP迭代过程中，将从变量节点到因子节点的消息表示为Ji→j。同样,让 表示从因子节点到变量节点的消息，在第t次迭代时，消息方程更新如下：假定传输信号x服从高斯分布 根据高斯分布的乘法 也服

从高斯分布，再根据贝叶斯定理与高斯分布乘法运算法则，消息迭代过程为令 利用泰勒级数展开以及矩阵归一化得到标量化的AMP检测算法中的均值与方差更新表达式：

其中，

3.根据权利要求2所述的基于深度神经网络的近似消息传递大规模MIMO信号检测算法，其特征在于：所述步骤二具体包括：将步骤一中的算法迭代过程展开构成神经网络，称为AMP-DNN，并从训练数据中学习网络参数的最优值；通过深度学习技术为算法中的均值方差更新提供一个合适的步长，包括加入可训练参数λt，用于精确计算将 设置为可训练的参数，对于步骤一中算法中的Onsager修正项 将MIMO系统分解为相同信噪比的独立AWGN信道，修正项的精确度影响估计结果，将Onsager修正项设为 其中βt为训练参数。

4.根据权利要求3所述的基于深度神经网络的近似消息传递大规模MIMO信号检测算法，其特征在于：所述步骤三具体包括：将带有训练参数的迭代过程展开成网络；所述的AMP-DNN由若干层功能单元组成，其中输入层和输出层之间有T层隐含层，每一个隐含层都具有相同的结构，对应于具有可训练参数的迭代，即有多少迭代就有多少隐藏层；

训练数据和测试数据由在不同配置下随机生成的数据对组成 其中传输信号x从调制符号中均匀随机产生，接收信号y根据已知的信道矩阵和噪声方差通过大规模MIMO信道模型产生；

将小批量训练数据 输入到AMP-DNN检测网络中，初始化后通过最小化原始传输信号x与估计信号 之间的损失来调整网络参数来训练网络，损失函数定义为：其中 为网络中训练的参数，通过反向传播计算且用随机梯度优化器来优化，最后整个检测过程由DL库PyTorch实施。

5.根据权利要求4所述的基于深度神经网络的近似消息传递大规模MIMO信号检测算法，其特征在于：所述步骤四具体包括：通过PyTorch搭建AMP-DNN检测器，在信噪比范围为0-14dB，以2dB为增量，不同情况下的信噪比和天线配置下进行实验，传输数据的调制模式为QPSK、16QAM，输入层数据为尺寸0

为1024的1000个mini批次，初始化 r ， Adam优化器的学习率设为0.0025，选择合适的层数，进行训练，优化参数，用训练好的神经网络进行在线检测。