1.基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于包括以下步骤：(1)构建Anti‑overfitting CSI net模型，利用卷积神经网络作为编码器和解码器，卷积神经网络通过加强相邻层神经元之间的局部连接模式来利用空间局部相关性，信道矩阵H的实部和虚部作为Anti‑overfitting CSI net模型的输入；

(2)信道矩阵H数据进入编码器，编码器位于发送数据的用户端，将信道矩阵H编码为一个低维度的数据，编码器包含卷积层和全连接层；

(3)数据经过编码后进入反馈链路，到达接收端；

(4)在接收端的基站，解码器开始进行译码，将编码端低维的数据进行从新构建；接收端的解码器包含抗拟合层、全连接层、RefineNet层、卷积层，输出预测的信道矩阵；

(5)Anti‑overfitting CSI net模型构建完成后，将模型进行离线训练，首先初始化模型参数，误差收敛后保存模型，最后将训练好保存的Anti‑overfitting CSI net模型在线进行预测信道状态信息；

步骤(4)所述的解码器工作流程表示为：在接收端获得码字s，随后利用卷积神经网络将其映射回通道矩阵H；解码器的第一层为抗拟合层，我们加入随机失活算法，其方法为在每一个训练周期随机丢掉一定比例的节点信息，也就是将一定比例的上一层输出在这次的训练阶段变零，让下一层的节点根据剩下的信息决定数值；第二层是一个以经过随机失活处理的s为输入，输出两个大小为Nc×Nt的矩阵的全连通层，作为H的实部和虚部的初始估计，其中：Nc为接收天线数，Nt为发射天线数；然后，初始估计数被输入到几个不断细化重建的细分网络单元中；RefineNet层包括多个RefineNet单元，每个RefineNet单元由四层组成，在RefineNet单元中，第一层是输入层，所有剩下的3层使用3×3个内核；第二层和第三层分别生成8和16个特征图，最后一层生成H的最终重构；通过适当的补零，将三个卷积层生成的特征图设置为与输入通道矩阵大小Nc×Nt相同的大小；选取ReLU(x)＝max(x,0)作为激活函数，对每一层进行批量归一化处理；

通过一系列RefineNet单元对信道矩阵进行细化后，将信道矩阵输入到最终的卷积层，使用sigmoid函数将值缩放到[0,1]范围；

步骤(5)包括以下内容：

为了训练Anti‑overfitting CSI net，我们对编码器和解码器的所有内核和偏置值使用端到端学习；参数集记为Θ＝{Θen,Θde}，其中Θen为编码参数集，Θde为解码参数集；Anti‑overfitting CSI net的输入为Hi，重构的信道矩阵为其中，Hi为真实的信道矩阵，fde为解码函数，fen为编码函数，si为第i个信道矩阵的压缩后的码字；值得注意的是，Anti‑overfitting CSI net的输入和输出都是归一化的通道矩阵，其元素在[0,1]范围内缩放；损失函数为均方误差(mean squared error,MSE)，计算方法如下：

其中||·||2是欧几里得范数,T是在训练集的样本总数。

2.根据权利要求1所述的基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于：步骤(2)包括：

在编码器的卷积层，这一层使用尺寸为的内核来生成两个特征图；在卷积层之后，我们将特征图重塑成一个向量，并使用一个全连接层来生成码字s，这是一个大小为的向量；卷积层和全连接层模拟压缩感知的投影并充当编码器。

3.根据权利要求1所述的基于抗拟合深度学习的MIMO信道状态信息反馈方法，其特征在于：随机失活算法原理数据经过输入层、多层隐藏层、输出层；在正常数据传输过程中，每一层的神经元与下一层神经元都进行全部连接，随机失活算法将每一层与下一层进行相连的神经元进行随机失活，使神经元与下一层的神经元断开；随机失活算法在训练时将神经元随机失活，得到训练好的模型后，在测试时所有神经元将又重新连接在一起。