1.基于DDST及深度学习的信道估计方法，其特征在于：所述估计方法包括：S1通过DDST生成发射信号，由接收机接收返回信号并形成时域接收信号y；

S2对接收信号y进行信道状态信息预估计，获得信道状态信息预估计值S3将所述预估计值 输入训练完成的第一深度神经网络中，获得增强信道状态信息值其中，所述发射信号如下：

x＝(I‑J)s+c    (1)；

其中， 表示长度为N的训练序列，其由Q个周期长度为P的序列组成，且P、Q和N可根据工程经验设计为满足N＝PQ； 表示发射机的已调制信号序列；I表示N×N的单位矩阵；J表示如下的DDST预失真矩阵：H

其中，FN表示维度为N×N的傅里叶变换矩阵；(·) 表示共轭转置操作；U表示如下的对角矩阵：所述信道状态信息预估计值的获得包括：

S21对所述接收信号y进行时频转换；

S22通过最小二乘法获得转换后导频位置处的信道估计值S23对所述导频位置处的信道估计值 进行时频反转换，获得时域信道估计值S24根据训练序列长度，对所述时域信道估计值 进行补零，获得补零后时域信道估计值S25对补零后的时域信道估计值 进行傅里叶变换，获得与训练序列等长的信道状态信息预估计值所述第一深度神经网络的训练包括：

S31将所述信道状态信息预估计值 与其训练标签Hdis对应，以两者的组合作为训练集；

S32将长度为N的所述信道状态信息预估计值 经过数据处理变为长度为2N的实数后送入第一深度神经网络模型中，对模型进行训练，至误差收敛后，保存模型及其参数；

其中，所述导频位置处的信道估计值 通过下式获得：其中，Y表示经傅里叶变换获得的频域接收信号，C表示经傅里叶变换获得的频域训练序列；P表示所述训练序列的周期长度，Q表示所述训练序列的周期数量；

所述第一深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层，节点数为该长度的m倍的2个隐藏层，及节点数为该长度的2倍的1个输出层；其中，m为输入层节点数的1‑10倍。

2.根据权利要求1所述的信道估计方法，其特征在于：所述第一深度神经网络以ReLU函数作为其隐藏层激活函数，以均方误差损失函数作为其损失函数。

3.根据权利要求1所述的信道估计方法，其特征在于：其还包括：S4根据所述增强信道状态信息值，对接收信号进行预均衡，获得预均衡数据；

S5将所述预均衡数据输入训练完成的第二深度神经网络中，获得检测信号。

4.根据权利要求3所述的信道估计方法，其特征在于：所述预均衡通过如下的迫零法实现：其中，sZF表示长度为N的预均衡数据；GZF表示如下的均衡矩阵：其中元素 通过增强信道状态信息值 的矢量形式得到。

5.根据权利要求3所述的信道估计方法，其特征在于：所述第二深度神经网络包括节点数为所述训练序列的长度的2倍的1个输入层，节点数为该长度的n倍的3个隐藏层，及节点数为该长度的2倍的1个输出层；其中，n为输入层节点数的1‑10倍。

6.根据权利要求3所述的信道估计方法，其特征在于：所述第二深度神经网络的训练包括：S51以其对应的已调制发射信号作为预均衡数据sZF的标签s，将预均衡数据sZF及其标签s的集合{sZF,s}作为训练集；

S52向第二深度神经网络的输入层输入预均衡数据sZF，根据其输出对网络参数进行调整，至误差收敛后，保存该网络及其参数；

其中，所述第二深度神经网络以ReLU函数作为其隐藏层激活函数，以均方误差损失函数作为其损失函数。