1.基于机器学习的联合帧同步与信道估计方法，其特征在于，包括以下步骤：S1接收机根据接收信号y进行帧同步预处理，获得归一化互相关同步度量矢量S2将归一化互相关同步度量矢量 输入粗帧同步子网络FSN‑Net，获得帧同步在线学习输出向量oFS和粗帧延迟估计值S3根据粗帧延迟估计值 进行信道估计预处理，获得归一化信道估计度量矢量S4将归一化信道估计度量矢量 输入粗信道估计子网络CEM‑Net，获得粗信道状态信息估计

S5将帧同步在线学习输出向量oFS，粗信道状态信息估计 输入精估计子网络REF‑Net，获得精帧延迟估计值 和精信道状态信息估计 完成联合帧同步和信道估计；

所述粗帧同步子网络FSN‑Net和粗信道估计子网络CEM‑Net分别基于ELM网络模型构建，精估计子网络REF‑Net基于深度神经网络模型构建。

2.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S1所述帧同步预处理包括：

S11接收机将长度为Ns的训练序列 补充为长度为帧长M的训练序列补充序列如下：

其中，Nd表示数据序列长度，所述的Ns，M和Nd根据工程经验设置；

S12对训练序列补充序列 按列循环移位，按如下方式构建循环移位矩阵S，表示为：S13通过互相关运算处理，得到所述循环移位矩阵S和接收信号矢量y的互相关度量矢量Φ，表示为：

Φ＝|Sy|；

S14对所述互相关度量矢量Φ进行归一化处理，得到归一化互相关同步度量矢量 表示为：

其中，||Φ||表示求互相关度量矢量Φ的Frobenius范数操作。

3.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S2所述粗帧同步子网络FSN‑Net由ELM网络构造，网络架构为：

1个输入层，1个隐藏层，1个输出层；所述输入层和输出层的节点数均为M，所述隐藏层节点数为

其中，m的值根据工程经验设置。

4.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：获得步骤S2所述粗帧延迟估计值 的步骤包括：S21收集Nt个长度为M的接受信号样本序列 构建样本序列集合S22根据步骤S11至步骤S14对样本序列集合 中的元素进行预处理，得到归一化互相关同步度量矩阵

S23收集Nt组传播时延样本τi,i＝1,2,…,Nt，形成传播时延集合其中，τi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；

S24根据传播时延集合 利用one‑hot编码生成帧同步训练标签矩阵表示为：

所述的传播时延样本τi,i＝1,2,…,Nt的one‑hot编码方式可表示为：S25根据归一化互相关同步度量矩阵 和帧同步训练标签矩阵训练粗帧同步子网络FSN‑Net，得到训练完成的粗帧同步子网络FSN‑Net；

S26在线运行训练完成的粗帧同步子网络FSN‑Net，获得帧同步在线学习输出向量o，表示为 并根据下式求得粗帧延迟估计值 为：

5.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S3所述信道估计预处理包括：S31根据步骤S2获得的粗帧延迟估计值 和长度为uM的本地训练序列 生成本地移位信号 为：

T

其中，本地训练序列 可表示为xt＝[x0,x1,…,xuM‑1] ；所述u取值为u≥1，根据工程经验设置；

S32根据本地移位信号xst，根据下式，形成本地测量矩阵 为：S33根据接收信号 本地测量矩阵 和OMP算法，得到信道估计度量矢量he；

S34对所述信道估计度量矢量he进行归一化处理，得到归一化信道估计度量矢量 表示为：

6.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S4所述粗信道估计子网络CEM‑Net由ELM网络构造，网络架构为：

1个输入层，1个隐藏层，1个输出层；所述输入层的节点数及所述输出层的节点数均与多径抽头数L相等，所述隐藏层节点数为其中，k的值根据工程经验设置。

7.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：获得步骤S4所述粗信道状态信息估计 的步骤包括：S41收集Nr个长度为M的接受信号样本序列 并构建样本序列集合S42根据步骤S31至步骤S34对样本序列集合 中的元素进行预处理，得到归一化信道估计度量矩阵

S43收集Nr个信道抽头数为L的信道向量 形成信道标签矩阵其中，hi根据统计信道模型与根据实际场景，结合现有方法与设备收集得到；

S44根据归一化信道估计度量矩阵 和信道标签矩阵TCE训练粗信道估计子网络CEM‑Net，得到训练完成的粗信道估计子网络CEM‑Net；

S45在线运行训练完成的粗信道估计子网络CEM‑Net，获得粗信道状态信息估计 表示为

8.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：步骤S5所述精估计子网络REF‑Net由深度神经网络构造，网络架构为：

1个输入层，rH个隐藏层，1个输出层；所述输入层节点数及所述输出层的节点数均为M，所述隐藏层各层节点数为qiM,i＝1,2,…,rH；

其中，rH和qi,i＝1,2,…,rH的数值可根据工程经验设定。

9.根据权利要求1所述的基于机器学习的联合帧同步与信道估计方法，其特征在于：获得步骤S5所述精帧延迟估计值 和精信道状态信息估计 的步骤包括：S51根据帧同步在线学习输出向量oFS和帧同步在线生成标签向量TF，形成精帧同步训练集合{oFS,TF}；

其中，帧同步在线生成标签向量TF为在精估计子网络REF‑Net训练过程中按照步骤S23至步骤S24方式获得；

S52根据粗信道状态信息估计 和信道标签矩阵TCE形成精信道估计训练集合S53利用精帧同步训练集合{oFS,TF}和精信道估计训练集合 交替训练精估计子网络REF‑Net，获得网络参数；

S54在线运行精估计子网络REF‑Net，获得精帧延迟估计值 和精信道状态信息估计