1.一种基于深度密集残差网络的无线衰落信道估计方法，其特征在于，该方法首先构建DeReNet模型；再利用传统信道估计方法，获取导频位置的信道状态信息CSI；最后将导频位置的CSI输入DeReNet估计数据位置的CSI。该方法具体包括如下步骤：

1)构建DeReNet模型，通过在全连接FC网络层之间运用Add和Concatenate操作的方式改进DNN网络，抑制网络训练中出现的梯度爆炸和消失问题；再串联FC层、Dropout层、Tanh层和Regression层完成模型构建；

2)获取导频位置的CSI，接收端确定接收信号中导频位置，对导频进行传统信道估计并获取导频位置的CSI；

3)以步骤2)中导频位置的CSI作为DeReNet模型的输入数据，采用变化学习率的梯度下降算法，更新网络权重参数集，加快模型收敛速度，将导频位置的CSI输入训练好的DeReNet模型中，估计数据位置的CSI。

2.根据权利要求1所述的一种基于深度密集残差网络的无线衰落信道估计方法，其特征在于，步骤1)中，构建DeReNet模型，包括步骤如下：

1‑1)串行连接两个全连接层，并通过Add操作对两个FC层的输出进行相加，构建深度残差网络ReDNN，其中ReDNN的输出v为：其中x和u表示第一个FC的输入和输出，Wi和bi表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1‑2)串行连接两个全连接层，并通过Concatenate操作，将两个FC层的输出拼接为一个一维矢量，构建深度密集网络DeDNN，其中DeDNN的输出p为：其中m和q表示第一个FC的输入和输出，Wi和bi表示FC层的权重和偏置，f(·)表示ReLU激活函数；

1‑3)依次串行连接三个ReDNN、一个DeDNN和一个ReDNN构建估计模块W；

1‑4)串行连接估计模块W、一个FC层和Regression层构建DeReNet，FC层的神经元个数设置为M，M为数据位置的CSI的数量，FC层与Regression层之间一次添加Dropout层、Tanh层，完成DeReNet模型的构建。