1.一种极化码可靠性估计方法，其特征在于，包括以下步骤：S1、将二进制输入离散无记忆信道作为输入数据，获取输入数据的输入符号集合；

S2、将输入符号集合中各个输入符号的比特顺序下标转化为二进制，并将转化后的比特顺序下标从小到大排列，得到二进制比特顺序下标；

S3、根据二进制比特顺序下标计算所有比特位置的输入数据的可靠性计算结果；

S4、将可靠性计算结果按照从大到小的顺序进行排列，并将排序后的可靠性计算结果的比特顺序下标组成一维向量，作为极化码可靠性估计结果。

2.根据权利要求1所述的极化码可靠性估计方法，其特征在于，所述步骤S3中计算所有比特位置的输入数据的可靠性计算结果的公式为：其中ki表示可靠性估计值，bi表示二进制比特顺序下标，i＝1,2,...,N，N为输入数据的比特数，和c均为常数，在高斯白噪声的信道环境下，

3.根据权利要求2所述的极化码可靠性估计方法，其特征在于，所述公式(1)通过机器学习训练得到，所述机器学习训练的具体方法为：A1、选取机器学习模型，构建机器学习环境；

A2、计算输入数据的巴氏参数；

A3、将巴氏参数按照从小到大的顺序进行排列，得到巴氏参数序列；

A4、将巴氏参数序列与二进制比特顺序下标作为训练数据输入机器学习模型，通过训练和拟合得到极化码可靠性估计公式，即公式(1)。

4.根据权利要求3所述的极化码可靠性估计方法，其特征在于，所述步骤A1具体为：基于TensorFlow作为后端，采用Keras作为机器学习模型，构建机器学习环境。

5.根据权利要求4所述的极化码可靠性估计方法，其特征在于，所述步骤A2具体为：将二进制输入离散无记忆信道作为输入数据，表示为w:X→Y，其中X表示输入符号集合，Y表示输出符号集合，对信道w的N次使用后的信道表示为wN:XN→YN，N为输入数据的比特数，信道wN的转移概率为：其中w(·)为转移概率函数，下标N表示经过N次使用，上标(i)表示第i个数据，i＝1,

2,...,N， 表示从y1到yN共N个输出符号， 表示从x1到xi-1共i-1个输入符号，xi表示第i个输入符号， 表示从xi+1到xN共N-i-1个输入符号，XN-1表示经过N-1次使用后的信道输入符号集合， 表示从x1到xN共N个输入符号；

其中yi表示第i个输出符号；

公式(2)满足以下计算规律：

当i为奇数时：

其中w(·)为转移概率函数，下标N和N/2分别表示经过N次使用和经过N/2次使用，上标((i+1)/2)表示第(i+1)/2个数据， 表示从y1到yN/2共N/2个输出符号， 表示从yN/2+1到yN共N/2-1个输出符号， 表示从x1到xi-1中下标索引为奇数的输入符号， 表示从x1到xi-1中下标索引为偶数的输入符号， 表示异或运算，xi+1表示第i+1个输入符号；

当i为偶数时：

其中w(·)为转移概率函数，上标((i)/2)表示第(i)/2个数据， 表示从x1到xi-2中下标索引为奇数的输入符号， 表示从x1到xi-2中下标索引为偶数的输入符号，xi-1表示第i-

1输入符号；

则输入数据的巴氏参数为：

由于输入数据为二进制信道，xi的取值为0或1，则公式(5)可表示为：其中 表示估计运算。

6.根据权利要求4-5任一所述的极化码可靠性估计方法，其特征在于，所述机器学习模型Keras采用三层训练网络，其中第一层训练网络的输入数据比特数为N，输出数据比特数为2N，第二层训练网络的输入数据比特数为2N，输出数据比特数为4N，第三层训练网络的输入数据比特数为4N，输出数据比特数为N。