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：将获得的含有训练序列信息的接收信号进行信道状态信息预估计；

将所述预估计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。

2.根据权利要求1所述的估计方法，其特征在于：所述训练序列通过下式叠加于发射信号中：

x＝(I‑J)s+c (1)；

其中， 表示长度为N的训练序列； 表示已调制发射信号序列；I表示N×N的单位矩阵；J表示DDST预失真矩阵。

3.根据权利要求2所述的估计方法，其特征在于：所述DDST预失真矩阵J设置如下式：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：

4.根据权利要求1所述的估计方法，其特征在于：其还包括：对含有训练序列信息的接收信号先进行时频转换；

通过最小二乘法获得转换后导频位置处的信道估计值；

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；

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；

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。

5.根据权利要求4所述的估计方法，其特征在于：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。

6.根据权利要求1所述的估计方法，其特征在于：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优选为输入层节点数的1‑10倍。

7.根据权利要求1所述的估计方法，其特征在于：所述第一深度神经网络的训练包括：S31将标签确定的信道状态信息预估计与其标签对应，以两者的组合作为训练集；

S32向所述第一深度神经网络的输入层输入训练集中的预估计，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。

8.基于DDST及深度学习的信号检测方法，其特征在于：包括权利要求1‑7中任一项所述的信道估计方法，及：

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；

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；

优选的，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。

9.根据权利要求8所述的信号检测方法，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优选为输入层节点数的1‑10倍。

10.根据权利要求8所述的信号检测方法，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。