1.一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，所述方法步骤为:步骤1、对数据预处理，基于信道H的统计知识随机生成一组不相同的阈值τ，选取最优阈值，生成测量数据Y和信道H；

步骤2、将测量数据Y和信道H作为改进的GAN网络的输入值，构建训练集和测试集，对数据进行训练，模拟信道实现；

步骤3、对步骤2模拟信道实现得到的信道估计影响进行验证；

步骤1具体为：

步骤1‑1、构造基站与K个用户之间的信道向量，K个用户的信道H可定义为：H＝[h1,h2,…,hk,…,hK]；

步骤1‑2、K个用户同时向基站发送长度为t的导频序列，基站使用一位模数转换器量化接收信号，将接收到的BS处经过一比特量化的测量数据Y表示为：K×t M×K

其中，X∈C 是训练矩阵，其行对应于每个用户具有t个导频符号的训练序列；H∈CM×t表示要估计的确定性信道参数；W∈C 表示加性高斯白噪声矩阵，其遵循具有均值为零和方差 的圆对称复高斯分布；sgn(·)量化是一个按元素进行的运算，定义为：步骤1‑3、为便于分析，将测量矩阵Y变成实数矩阵 其中将步骤1‑2得到的测量数据Y进行预处理，引入随机量化，得到y＝sgn(Ah+w‑τ)，其中y，h，w代表实数矩阵 的向量化形式，A代表单位矩阵和实数矩阵 克罗内克积，τ代表随机量化的阈值。

2.根据权利要求1所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，改进的GAN网络训练过程为：步骤2‑1、输入:迭代次数＝N，样本大小＝I,n＝0,i＝0；

(i) (i) (i)

步骤2‑2、分别从测量数据Y和信道H中各选取一个样本Y 、H ，将样本Y 输入生成器(i)中，得到 其中Y 为测量数据样本，Gψ(·)为生成器，ψ为生成器的权重，为生成器生成的估计信道；

步骤2‑3、计算判别器损失函数，更新判别器，Dθ←▽(LD)，其中Dθ为判别器， 代表梯度下降法，LD为判别器的损失函数；

步骤2‑4、梯度更新优化参数θ，θ←θ+ηAdam(θ,Dθ)，其中θ为判别器的权重，η为学习率，Adam(·，·)代表优化器；

步骤2‑5、计算生成器损失函数，更新生成器Gψ←▽(LG)，其中ψ为生成器的权重，▽(·)代表梯度下降法，LG为生成器的损失函数；

步骤2‑6、梯度更新优化参数ψ：ψ←ψ‑ηAdam(ψ,Gψ)，其中ψ为生成器的权重，η为学习率，Adam(·，m)代表优化器；

步骤2‑7、令i＝i+1，如果i

步骤2‑8、令n＝n+1、i＝0，如果n

3.根据权利要求2所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，步骤2‑3，判别器损失函数的计算公式为：2

LD＝E[logDθ(H)]+E[log(1‑Dθ(Gψ(Y))]+λ2E[||Dθ(Gψ(Y))||]。

4.根据权利要求2所述的一种在大规模MIMO中基于改进GAN网络的信道估计方法，其特征在于，步骤2‑5，生成器损失函数的计算公式为：2

LG＝E[log(Dθ(Gψ(Y)))]+λ1E[||H‑Gψ(Y)||]。