1.一种水声正交频分复用信道估计方法，其特征在于，包括：获取广义回归神经网络的训练样本和测试样本；

构造广义回归神经网络；

根据所述训练样本对所述广义回归神经网络进行训练，得到广义回归神经网络训练模型；

将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差；

判断所述均方误差是否位于设定阈值范围内；

若是，保存广义回归神经网络训练模型，并将所述广义回归神经网络训练模型作为水声信道估计模型；

若否，调整广义回归神经网络训练模型的平滑因子，得到调整后的广义回归神经网络训练模型，并返回至将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差；

根据所述水声信道估计模型对水声正交频分复用信道的传输信号进行估计，得到信道状态信息。

2.根据权利要求1所述的水声正交频分复用信道估计方法，其特征在于，所述将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差，具体包括：将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差其中，yi为训练样本值， 为训练后网络的预测值，σ为广义回归神经网络训练模型的平滑因子，E(σ)为预测值和样本值之间的均方误差。

3.根据权利要求1所述的水声正交频分复用信道估计方法，其特征在于，所述广义回归神经网络包括输入层、模式层、求和层和输出层。

4.根据权利要求3所述的水声正交频分复用信道估计方法，其特征在于，所述根据所述训练样本对所述广义回归神经网络进行训练，得到广义回归神经网络训练模型，具体包括：使用欧氏距离函数计算网络输入向量Y与所述输入层权值矩阵IW之间的距离:||dist||＝||IW-YT||

其中权值矩阵IW为输入层神经元与模式层神经元之间的连接权重所组成的一个N×1矩阵；

所述模式层的输入向量n1和输出向量a1表示为：n1＝||dist||.*b1

a1＝Radbas(n1)

其中符号“.*”表示将两个相同维度的矩阵中对应的元素进行相乘操作；b1为模式层阈值，由平滑因子σ决定；Radbas为传递函数，使用高斯函数，Radbas(n1)＝exp(-n12)；

将所述模式层的输出a1与求和层的权值LW的点积作为权输入，传给函数Purelin，得到输出层:n2＝LW*a1/sum(a1)

HR＝Purelin(n2)

其中，n2为输出层的输入n2，HR为输出层的输出。

5.一种水声正交频分复用信道估计系统，其特征在于，包括：获取模块，用于获取广义回归神经网络的训练样本和测试样本；

构造模块，用于构造广义回归神经网络；

训练模块，用于根据所述训练样本对所述广义回归神经网络进行训练，得到广义回归神经网络训练模型；

均方误差确定模块，用于将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差；

判断模块，用于判断所述均方误差是否位于设定阈值范围内；

水声信道估计模型确定模块，用于若所述均方误差位于设定阈值范围内，保存广义回归神经网络训练模型，并将所述广义回归神经网络训练模型作为水声信道估计模型；

平滑因子调整模块，用于若所述均方误差未位于设定阈值范围内，调整广义回归神经网络训练模型的平滑因子，得到调整后的广义回归神经网络训练模型，并返回至将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差；

估计模块，用于根据所述水声信道估计模型对水声正交频分复用信道的传输信号进行估计，得到信道状态信息。

6.根据权利要求5所述的水声正交频分复用信道估计系统，其特征在于，所述均方误差确定模块，具体包括：均方误差确定单元，用于将所述测试样本输入至所述广义回归神经网络训练模型中，得到预测值和样本值之间的均方误差其中，yi为训练样本值， 为训练后网络的预测值，σ为广义回归神经网络训练模型的平滑因子，E(σ)为预测值和样本值之间的均方误差。

7.根据权利要求5所述的水声正交频分复用信道估计系统，其特征在于，所述广义回归神经网络包括输入层、模式层、求和层和输出层。

8.根据权利要求6所述的水声正交频分复用信道估计系统，其特征在于，所述训练模块，具体包括：训练单元，用于使用欧氏距离函数计算网络输入向量Y与所述输入层权值矩阵IW之间的距离:||dist||＝||IW-YT||

其中权值矩阵IW为输入层神经元与模式层神经元之间的连接权重所组成的一个N×1矩阵；

所述模式层的输入向量n1和输出向量a1表示为：n1＝||dist||.*b1

a1＝Radbas(n1)

其中符号“.*”表示将两个相同维度的矩阵中对应的元素进行相乘操作；b1为模式层阈值，由平滑因子σ决定；Radbas为传递函数，使用高斯函数，Radbas(n1)＝exp(-n12)；

将所述模式层的输出a1与求和层的权值LW的点积作为权输入，传给函数Purelin，得到输出层:n2＝LW*a1/sum(a1)

HR＝Purelin(n2)

其中，n2为输出层的输入n2，HR为输出层的输出。