1.基于特征抽取与互异性融合的1bit压缩叠加CSI反馈方法，其特征在于，包括：根据上行CSI的估计矢量 的幅度 通过第一神经网络获得对应的下行CSI的学习幅度

根据恢复反馈向量 利用专家知识进行CSI特征提取，恢复出下行CSI的特征幅度与特征角度 其中，所述恢复反馈向量 是指基站接收端根据发射端发出的反馈向量w进行恢复后得到的对应反馈向量；

根据对所述下行CSI的特征幅度 与下行CSI的学习幅度 拼接得到的下行CSI拼接幅度 通过第二神经网络获得下行CSI的融合幅度根据所述下行CSI的融合幅度 与所述特征角度 恢复得到下行CSI重构矢量其中，所述恢复反馈向量 为在基站恢复的1bit压缩叠加矢量x中的反馈向量，且：所述的1‑bit压缩叠加矢量 在发射端通过以下模型获得：其中，d表示长度为P的上行用户数据序列，E表示用户发送功率，ρ∈[0,1]表示叠加因T

子，可根据工程经验设定，Q表示P×L维的扩频矩阵，满足QQ＝P·IL，其中上标T表示转置运算，L表示调制信号长度，IL表示L维单位矩阵，r表示长度为L的调制信号序列；

获得所述恢复反馈向量 的过程包括：通过以下解扩处理模型获得解扩信号其中，Y表示基站端的N×P维的接收序列；

通过以下MMSE检测模型获得检测信号‑1 H

其中，dec(·)表示硬判决操作，g表示上行信道矢量，(·) 表示取矩阵的逆操作，(·)表示矩阵的共轭转置操作， 表示上行信道的方差；

通过以下干扰消除模型获得去干扰数据序列通过以下反馈向量恢复模型，获得恢复反馈向量其中，fdemo(·)表示解调处理，则可得到恢复反馈向量 为：其中，表示恢复出的下行CSI矢量h的长度为N的支撑集， 与 分别表示恢复出的采用1‑bit压缩感知技术压缩量化的下行CSI矢量h的长度均为M的实部与虚部；

所述下行CSI的特征幅度 与特征角度 的恢复的过程包括：将所得参数 作为SCA‑BIHT算法的输入，其中，SCA‑BIHT算法即为专家知识；

通过SCA‑BIHT算法循环n次后输出下行CSI的特征值 其中，n可根据工程经验预先设定；

根据下行CSI的特征值 通过下式获得下行CSI特征幅度 与特征角度其中，famp(·)表示对复数进行取幅度操作，fang(·)表示对复数进行取角度操作。

2.根据权利要求1所述的方法，其特征在于，所述上行CSI估计矢量幅度 通过以下模型获得：

其中， 表示所述上行CSI的估计矢量 的第N个元素，|·|表示复数的取模操作，上标T表示转置运算。

3.根据权利要求2所述的方法，其特征在于，所述上行CSI的估计矢量 通过以下模型得到：

其中，s表示用户端发送的基站已知信号序列， 表示取Moore‑Penrose伪逆操作，表示用于进行信道估计的基站端接收序列，且满足：其中，N表示信道噪声，g表示实际的上行CSI矢量。

4.根据权利要求2所述的方法，其特征在于，所述第一神经网络包括：一个含有线性激活函数的输入层、一个含有Leaky ReLU激活函数的隐藏层和一个含有线性激活函数的输出层；其中，输入层、隐藏层和输出层节点数分别为N、mN和N，m表示根据工程预设确定的隐藏层节点系数。

5.根据权利要求2所述的方法，其特征在于，所述第二神经网络包括：一个含有线性激活函数的输入层、一个含有Leaky ReLU激活函数的隐藏层和一个含有线性激活函数的输出层；其中，输入层、隐藏层和输出层节点数分别为2N、kN和N，k表示根据工程预设确定的隐藏层节点系数。

6.根据权利要求1所述的方法，其特征在于，所述神经网络通过均方误差损失函数进行训练。

7.根据权利要求1所述的方法，其特征在于，所述下行CSI重构矢量 的恢复通过以下模型获得：

其中，⊙表示Hadamard乘积，e表示自然指数，j表示虚数单位。