1.一种适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，所述预测方法包括：

S1，模拟智慧医疗的场景，对实际环境中发送和接收天线之间的信道进行测量，通过扫频得到实测的信道频率响应H(f,d,htx,hrx,e,c)，其中f是扫频的频点，d是收发天线之间的距离，htx是发送天线的高度，hrx是接收天线的高度，e是收发天线所处的环境，c是收发天线之间的传播情况；

S2，根据步骤S1所得的信道频率响应H(f,d,htx,hrx,e,c)计算并提取信道的均方根时延扩展参数τrms(d,htx,hrx,e,c)；

S3，使用步骤S2中计算所得的均方根时延τrms(d,htx,hrx,e,c)和对应的输入值d、htx、hrx、e和c，确定基于前馈神经网络的信道均方根时延扩展模型中的隐层神经元个数：N，训练模型的权重w0j、wj1、wj2、wj3、wj4和偏置量b0、bj，并使用极大似然估计方法提取模型中均方根时延扩展阴影的参数μτ和στ；

所述基于前馈神经网络的信道均方根时延扩展模型为：

其中，N为前馈神经网络的隐层神经元个数，w0j、wj1、wj2、wj3、wj4(j＝1,2,3,…,N)为前馈神经网络神经元的权重，b0、bj(j＝1,2,3,…,N)为各个神经元的偏置量，fa为神经元的传递函数，Nτ为均方根时延扩展阴影的分布特性，其均值和标准差分别为μτ和στ，dm、htm、hrm、em、cm、τm分别是测量的最大收发天线距离，最大发送天线高度，最大接收天线高度，最大收发天线所处的环境，最大收发天线之间的传播情况，最大均方根时延扩展；

S4，使用不同的d、htx、hrx、e和c作为输入，并使用步骤S3中获得的模型参数w0j、wj1、wj2、wj3、wj4、b0、bj、μτ和στ，将其代入步骤S3中的模型，预测不同距离、发送天线高度、接收天线高度、环境和传播情况下的均方根时延扩展。

2.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，步骤S1中，所述模拟智慧医疗的场景，对实际环境中发送和接收天线之间的信道进行测量包括：分别选择普通病房、走廊、楼梯、重症监护室、手术室、输液室、诊室作为发送天线和接收天线的摆放位置；

将发送天线从0.1m到3m以0.1m为间隔进行变化模拟发送智能设备所处位置，接收天线高度从0.1m到2m以0.1m为间隔进行变化模拟接收智能设备所处位置，固定发送天线位置，移动接收天线位置，收发天线之间的距离范围限制在1m到15m；

将发送天线和接收天线分别连接到矢量网络分析仪扫频测量S21参数获得信道频率响应H(f,d,htx,hrx,e,c)，测量频率范围为2.3GHz-2.5GHz和4.9GHz-5.1GHz，以模拟包括WiFi，ZigBee，蓝牙在内的短距离传输技术频段。

3.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，步骤S2中，所述根据步骤S1所得的信道频率响应H(f,d,htx,hrx,e,c)计算并提取信道的均方根时延扩展参数τrms(d,htx,hrx,e,c)包括以下步骤：S21，结合信道频率响应H(f,d,htx,hrx,e,c)，通过傅里叶反变换获得对应的信道冲激响应h(τ,d,htx,hrx,e,c)，其中τ为时延，采用下述公式计算信道冲的平均时延：其中，τref＝d/c为参考时延；

S22，采用下述公式计算均方根时延扩展：

4.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，所述隐层神经元个数N的取值范围为3到50，通过对不同N的神经网络进行训练，计算模型预测数据和实测数据的均方误差，取均方误差最小的N作为模型的参数。

5.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，所述神经元的传递函数fa为tansig函数：

6.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，所述收发天线之间的传播情况包括视距或非视距两种。

7.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，步骤S3中，采用Levenberg-Marquardt反向传播算法对神经网络神经元权重和偏置量进行训练。

8.根据权利要求1所述的适于智慧医疗的信道均方根时延扩展预测方法，其特征在于，步骤S3中，所述Nτ为正态分布的随机变量。