1.一种基于统计先验的机器学习定时同步方法，其特征在于：包括：S1获得样本信道的最大多径时延统计参数集，根据所述最大多径时延统计参数集，生成其多径时延辅助数据标记集和接收数据集；

S2以所述多径时延辅助数据标记集和接收信号数据集训练定时同步网络，获得其训练后的网络参数；

S3基于训练后的网络参数，将在线接收的接收信号输入所述定时同步网络中，获得其定时偏移估计值；

其中，所述辅助数据是指通过所述最大多径时延统计参数集和定时偏移值推导得到的用于优化网络泛化性及构造标记数据的参数集；

所述定时同步网络的组成包括：同步器和极限学习机。

2.根据权利要求1所述的定时同步方法，其特征在于：步骤S1中，所述最大多径时延统计参数集的获得包括：

获得Nt组由信道系数及其对应的多径时延扩展，及定时偏移值组成的样本信道参数集，如下：

其中， 表示第i组的第p个信道系数， 表示第i组的第p个多径时延扩展，由工程经(i)

验设置和/或现场测试得到，P表示可分辨传播路径数，根据实际接收机性能设置，τ ,i＝

1,2,…,Nt表示第i组的定时偏移值；

根据所述样本信道参数集，通过以下模型获得所述最大多径时延统计参数集：满足0≤τ1＜τ2＜…＜τP＜Lc；

其中，τm表示最大多径时延统计参数集， 表示第i组最大多径时延统计参数， 表示第i组的根均方时延扩展参数，Lc表示循环前缀长度，可由工程经验设置，||表示求模；τp表示第p个传播路径上的多径时延参数。

3.根据权利要求2所述的定时同步方法，其特征在于：其中，每组多径时延扩展(i)

满足参数条件0≤τ1＜τ2＜…＜τP；和/或，每组的定时偏移值τ 满足均匀分布U(0,τmax)，并在0到最大定时偏移值τmax之间按概率1/τmax随机生成，其中，τmax由工程经验设置。

4.根据权利要求2所述的定时同步方法，其特征在于：步骤S1中，所述多径时延辅助数据标记集通过以下模型生成：

其中， 表示多径时延辅助数据标记集， 表示第i个多径时延辅助数据标记向量，(i)

表示第i个多径时延辅助数据标记向量中的第n个多径时延辅助数据标记值，τ 表示第i组定时偏移值， 既定的第i组最大多径时延，Nw表示接收数据和/或发射数据长度、由工程经验设置。

5.根据权利要求2所述的定时同步方法，其特征在于：步骤S1中，所述接收数据集的生成包括：

通过以下模型获得接收数据：

其中， 表示第i组的第n个接收数据， 表示第i组的第个发射数据，mod表示求余运算；

根据所述Nt组信道参数集 生成Nt组长度为Nw的接收数据，由其组成接收数据集，如下：

6.根据权利要求4或5所述的定时同步方法，其特征在于：所述定时同步网络中，所述极限学习机包括：一个输入层、一个隐藏层以及一个输出层，其中，所述输入层的输出通道数为Nw，所述隐藏层的输出通道数为Nh，所述输出层的输出通道数为Nw。

7.根据权利要求6所述的定时同步方法，其特征在于：所述定时同步网络的训练包括：通过均值为0、方差为 的复数高斯正态分布 随机产生所述隐藏层的输入权值矩阵 和对应的偏置向量 并扩展b为偏置矩阵 其中， 表示Nw×Nh维复数集， 表示Nh×1维复数集；

根据以下网络模型获得所述输出层的输出权值矩阵其中， 表示维度为Nw×Nt的所述数据标记集，y表示维度为Nw×Nt的所述接收数据集，f1()表示Tanh激活函数，f0()表示由所述同步器执行的线性特征提取过程， 表示Moore‑Penrose伪逆运算。

8.根据权利要求7所述的定时同步方法，其特征在于：步骤S3包括：在线接收长度为Nw的接收信号将所述接收信号输入已训练完成的所述定时同步网络中，得到网络输出层的输出数据如下：

其中， 表示第n个网络输出通道的输出数据；

根据所述输出数据 通过线性分类器argmax||寻找其最大值对应位置索引，得到定时偏移估计值 如下：

9.一种定时同步装置，其包括存储有实现权利要求1‑8中任一项所述的方法的程序和/或模型的存储介质，优选的，其还包括以下设备中的一种或多种：对所述程序和/或模型进行数据处理的计算设备，输入所述程序和/或模型所需参数的输入设备，输出所述程序和/或模型结果的输出设备。