1.一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，包括以下步骤：

步骤1，用连续时隙动态模型对基站端的接收信号进行建模；

步骤2，用K-SVD方法训练稀疏表示字典，用于将接收信号稀疏表示；

步骤3，建立多层降噪自动编码机SDA结构，构建训练集、误差函数和训练深度结构，基于测试集测试性能，最后用优化后的自动编码机SDA恢复接收信号；

步骤3具体包括以下步骤：

(301)、建立一个4层的多层降噪自动编码机SDA结构式(4)：式中 和 为加权矩阵，

和 为偏差向量，xh1、xh2和xh3分别为第1、2和3层的输出，为输出信号； 为非线性的算法，y表示接收信号；

(i) (i)

(302)，由l与接收信号相对应的发送信号(y ，x )构建训练集Dtrain：Dtrain＝{(y(1)，x(1))，(y(2)，x(2))，…，(y(i)，x(i))，...，(y(i)，x(l))}，         (5)在无监督的学习框架下，学习一个从接收信号y到发送信号x的非线性映射；i＝1，

2...l；

(303)、定义一个非线性映射 式中ΩL＝{W1，b1，W2，b2，W3，b3，W4，b4}为参数集，利用均方误差MSE函数作为训练集Dtrain的误差函数：(304)、利用反向传播算法最小化误差函数；

(305)、由s对接收信号与相对应的发送信号(y(i)，x(i))组成测试集Dtest：(1) (1) (2) (2) (i) (i) (s) (s)Dtest＝{(y ，x )，(y ，x )，…，(y ，x )，…，(y ，x )}，      (8)在测试集Dtest上测试SDA的性能，将测试集代入误差函数，误差函数的值小于设定的阈值则结束优化，大于设定的阈值则重新构建训练集；i＝1，2...s。

2.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤1具体包括以下步骤：

根据用户的活动情况在连续的时隙内存在的相关性，采用连续时隙动态模型将基站接收信号建模为结构化的信号；

连续时隙动态模型的目的在于恢复发送信号X；

X＝[x[1]，x[2]，…，x[t]，…，x[T]]，式中x[t]为第t个时隙的发送信号，Y＝[y[1]，y[2]，…，y[t]，…，y[T]]表示T个连续时隙的接收信号，y[t]为第t个时隙的接收信号，将第t个时隙的接收信号y[t]表示为单时隙静态模型式(1)：式中 A[t]为融合了信道增益和扩频信息的等效信道矩阵；N×K表示等效矩阵的大小，其中N表示基站处配置的天线数，K表示配置了单根接收天线的 被 服务 用 户数 ； 表 示第 k个 用 户和基 站之 间的 信道向 量 ；

表示高斯噪声向量， 表示第t个时隙第N个子载波上的高斯噪声，且 即服从均值为0，方差为δ2的复高斯分布。

3.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤2采用K-SVD方法从给定的接收信号Y中训练出稀疏表示字典，目标函数表示为式(2)：

式中 和 分别表示字典D和加权系数矩阵X的可允许集，||·||F表示Frobenius范数；

K-SVD方法每次只更新稀疏表示字典中的一个原子，即字典矩阵D的任一列di：式中 表示矩阵Ei中的第wi列， 表示估计误差矩阵， 表示 的支撑集， 表示加权系数矩阵X的第i行，||·||2表示2范数；s.t.表示subject to，表示前面的公式受约束于后面的条件；

用训练出的稀疏表示字典将多用户检测时的接收信号进行稀疏表示。

4.根据权利要求1所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

步骤(304)具体包括以下步骤：(a)将训练集Dtrain代入误差函数，计算出SDA输出信号 和实际发送信号x之间的误差L(ΩL)；

(b)将误差L(ΩL)从输出层向输入层反向传播，反向传播的过程中，根据误差使用梯度下降法调整参数集ΩL中参数的值：ΔΩL＝input*η*L(ΩL)，   (7)式中ΔΩL为各个参数的变化量组成的集合，input为各个参数所在节点的输入值组成的集合，η表示学习速率；

(c)将训练集输入调整后的SDA，计算误差；

(d)迭代步骤(a)-(c)，直至误差函数的值小于设定的阈值。

5.根据权利要求4所述的一种基于深度学习的上行免信令非正交多址接入NOMA系统多用户检测方法，其特征在于，

非线性算法