1.一种基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：包括以下步骤：S1：将电力线接收端接收到的频域信号转换为向量矩阵形式；

S2：提取接收信号中的导频；

S3：结合DWT、DCT将提取的导频符号基于压缩感知模型构建观测矩阵和观测向量；

S4：对观测矩阵进行均匀分块；

S5：初始化电力线脉冲噪声和信道的压缩感知估计模型；

S6：以空模型开始，假设所有信号块都未添加进模型中，进行块添加；每次迭代计算协方差矩阵、块相关性、相关性结构矩阵，并更新模型参数，且根据所述相关性结构矩阵重建协方差矩阵，直到得到所有的协方差矩阵；

S7：当满足预设条件后，结束S6的循环，得到稀疏解向量；

S8：取S7得到的稀疏解向量的前ng行进行DCT、DWT，得到信道脉冲响应向量估计值，对其再进行补零的FFT得到长度为N的信道频率响应向量；

S9：得到的稀疏解向量的ng‑ng+N行是时域脉冲噪声估计向量，从而得到去除脉冲噪声的频域符号。

2.根据权利要求1所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S1中，将电力线接收端接收到的频域信号转换为向量矩阵形式Y＝diag(X)H+Fi+G      (1)T

其中X＝[X1,X2,...XN] 为频域发送符号向量，OFDM频域符号向量长度为N，H＝[H1,H2,...,HN]为信道频率响应向量，F是N维傅里叶变换矩阵，i表示时域脉冲噪声，其中G＝Fg代表频域背景噪声，为高斯白噪，g表示背景噪声。

3.根据权利要求2所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S2中，规定发送信号中插入导频的位置的集合为P，(·)P为集合P中索引对应行或元素构成的子矩阵，将式(1)变换为：YP＝diag(XP)Hp+Fpi+Gp     (2)。

4.根据权利要求3所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S3中，结合脉冲噪声的时域稀疏特性，电力线脉冲噪声和信道的压缩感知估计模型为：其中Fp,ng是P*ng的傅里叶矩阵，ng为保护间隔长度，DCTng*ng，DWTng*ng是ng*ng维的矩阵；

式中，将ng*1维向量h稀疏表示为：

h＝DCT*a        (5)

h＝DWT*b       (6)

将式(3)、式(4)表示为：

Yp＝ΦX+Gp       (7)

其中Φ为观测矩阵。

5.根据权利要求4所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S4中，对观测矩阵Φ进行均匀分块Φ＝[Φ1,Φ2,...Φm]，块长度为

8，OFDM长度为1024，ng长度为256，设置梳状导频，均匀分布，个数为64。

6.根据权利要求5所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S5中所述初始化，考虑信噪比SNR<20dB,设置β＝0.1||Yp||2，‑4η＝10 ，m表示把观测向量分成m块数据，也对应m块观测矩阵，Φi表示第i块对应的观测矩阵，η是算法退出条件，β指代噪声方差，在算法过程中需要迭代计算，si，qi是定义的中间变量，用来计算代价函数。

7.根据权利要求6所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S6中，以空模型开始，假设所有信号块Xi都未添加进模型中，进行块添加；在第K次迭代时模型中的基的集合为ak，每次迭代进行以下步骤：S61：计算协方差矩阵 计算块相关性γi＝1/diTr(Ai)其中di是矩阵Ai的维数，Tr表示矩阵的迹；计算相关性结构矩阵Bi＝Ai/ri，重建 其中T ‑1ri代表第i块的方差；直到得到所有的Ai，并根据代价函数L＝log|C|+yC y，其中y表示算法‑1 T输入的测量向量，也就是输入的导频处的OFDM频域符号；其中C＝β I+ΦΓΦ ，其中I代表单位矩阵，Γ是观测块矩阵的协方差矩阵构成的矩阵；计算 并得到使得ΔL(i)最大的 就是使得ΔL(i)最大的观测块矩阵的索引；

S62：根据 是否属于ak更新Σμsiqi。

8.根据权利要求7所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计new方法，其特征在于：步骤S7中当满足||γ ‑γ||/||γ||＜η，跳出S6的循环，得到稀疏解向量x＝μ；

步骤S9中，得到的稀疏解向量的ng‑ng+N行是时域脉冲噪声估计向量 得到去除脉冲噪声的频域符号为

9.根据权利要求7所述的基于DCT和DWT的稀疏贝叶斯电力线信道和脉冲噪声联合估计方法，其特征在于：步骤S62中，利用BSBL‑FM算法更新Σμsi qi，具体包括以下步骤：T

(1) 将当前块添加进模型中，并且μnew＝μ‑βΣΦΦiμi， 其中ΣaT T

＝‑βΣΦΦiΣii， 其中ei＝β(Φi‑βΦΣΦΦi)，μ是输出随机向量服从的概率分布的均值向量，Σ是输出向量服从的概率分布的协方差向量，μnew指代算法中迭代更新的均值向量，∑new指代算法中迭代更新的协方差向量，μi则是均值向量中的第i个值，Σa是定义的中间变量，为了表示∑new更新过程，sinew，qinew代表更新过后的si，qi，用以计算新的代价函数；ei是算法推导的中间变量，方便表示qinew的更新过程，Σii是第i块数据对应的协方差矩阵，用以迭代更新si；

T

(2) 且 将此块从模型中删掉，并μnew＝μ+ΔΣβΦy，Σnew＝Σ+ΔΣ，其中‑1ΔΣ＝‑ΣiΣii Σi，

T

(3) 且 将当前块进行重估，并μnew＝μ+ΔΣβΦ y，Σnew＝Σ+ΔΣ，