1.基于深度学习的智能反射面联合反馈和混合预编码方法，由离线训练阶段和在线预测阶段两部分实现；其特征在于，离线训练阶段包括如下步骤：S11：用户端接收到信道状态信息，根据信道计算基站的数字预编码矩阵和智能反射面的模拟预编码矩阵；

S12：构建智能反射面的联合反馈和混合预编码的深度学习模型，将信道和基站的数字预编码矩阵、智能反射面的模拟预编码矩阵制作成数据集，对智能反射面的联合反馈和混合预编码的深度学习模型进行训练；

S13：将训练完成的智能反射面的联合反馈和混合预编码的深度学习模型拆分为混合预编码网络和K个信道压缩网络，其中混合预编码网络为智能反射面的联合反馈和混合预编码的深度学习模型的4‑10层，第k个信道压缩网络为智能反射面的联合反馈和混合预编码的深度学习模型中1‑3层的K个网络中的第k个网络，k＝1,...,K，K为用户数，将K个信道压缩网络及其权重依次部署在K个用户端，将混合预编码网络及其权重部署在基站端；

在线预测阶段包括如下步骤：

S21：K个用户端获取实时的信道状态信息，将实时信道输入信道压缩网络，得到压缩的信道状态信息，并反馈回基站端；

S22：基站端将K个用户的反馈信息输入混合预编码网络，根据混合预编码网络的输出得到数字预编码矩阵和模拟预编码矩阵，将模拟预编码矩阵通过馈源传输至智能反射面；

S23：基站端根据数字预编码矩阵对发送信号进行数字预编码，得到数字预编码信号；

S24：将数字预编码信号通过馈源传输至智能反射面的子表面上，子表面上的无源反射元件根据模拟预编码矩阵对数字预编码信号进行相移处理，并将相移后的信号发送至用户端。

2.根据权利要求1所述的基于深度学习的智能反射面联合反馈和混合预编码方法，其特征在于，所述步骤S11中，根据信道计算基站的数字预编码矩阵和智能反射面的模拟预编码矩阵的步骤如下：T1、初始化概率向量 其中i＝1,...,Nite，Nite为迭代次数， 中的向量元素pn表示从{+1,‑1}中选择+1的概率，1N为维度为N×1的全1向量，N为智能反射面的无源元件数；

T2、使用概率向量 与集合{+1,‑1}产生C个维度为N×1的模拟预编码向量 将 作为智能反射面的模拟预编码矩阵 的对角线元素， 的其他元素为0，根据计算C个数字预编码矩阵 其中 ρ为发

射功率， 为智能反射面和K个用户之间的信道， 为射频到智能反射面的链路矩阵；

(i)

T3、根据 计算第i次迭代的频谱效率R ，其中

为第k个用户的信干噪比，其中 为数字预编码矩阵 的第

2

k个列向量，hk为智能反射面到用户k的信道，σ为噪声功率；将计算得到的C个频谱效率从高到低排序，选择出前Nelite个频谱效率，将前Nelite个频谱效率对应的模拟预编码向量组合为Nelite×N的矩阵T4、计算 的第n个列向量 中+1的个数Sn，其中n＝1,...,N，将 作为第i+1次迭代的概率向量 中第n个元素的值；

T5、将 作为第i+1次迭代的概率向量，重复T2‑T5步骤，共重复迭代Nite次；

T6、在第Nite+1次迭代中，使用第Nite次迭代的产生的概率向量 重复步骤T2，根据H, G计算频谱效率，其中 和 分别为第Nite+1次迭代产生的数字预编码矩阵和模拟预编码；将计算得到的C个频谱效率从高到低排序，选择出最高的频谱效率，将其对应的模拟预编码向量转换为模拟预编码矩阵，作为最优模拟预编码矩阵Fa，对应的数字预编码矩阵作为最优的数字预编码矩阵Fb。

3.根据权利要求1所述的基于深度学习的智能反射面联合反馈和混合预编码方法，其特征在于，所述步骤S12中，智能反射面的联合反馈和混合预编码的深度学习模型由K个相同的信道压缩网络和混合预编码网络构成，其中K为用户数；第k个信道压缩网络中包含三层全连接层，k＝1,...,K，第一、二层的维度分别为1024、512，激活函数为Relu，激活函数后为dropout层，第三层维度为Q，其中Q为信道压缩的维度，无激活函数和dropout层；混合预编码网络中第一层为全连接层，维度为2048，第二层为Reshape层，将向量重构为32*32*2的三维矩阵，第三、四层为卷积层，卷积核个数为16，卷积核大小为2*2，卷积层后接批量归一化，激活函数为Relu，第五、六层为全连接层，维度为1024，激活函数为Relu，第七层为全连接层，维度为T，其中T＝N+2MK，N为智能反射面无源反射元件个数，M为射频链路数。

4.根据权利要求1所述的基于深度学习的智能反射面联合反馈和混合预编码方法，其特征在于，所述步骤S12中，在智能反射面的联合反馈和混合预编码的深度学习模型的数据集中，第k个信道压缩网络的输入为智能反射面到用户k的信道hk，输出为其中k＝1,...,K，Fa,Fb分别为模拟、数字预编码矩

T

阵，vec ()表示将矩阵向量化并转置，diag()表示取矩阵的对角线元素， 分别表示取复数的实部、虚部，∠表示将复数变换为角度。

5.根据权利要求1所述的基于深度学习的智能反射面联合反馈和混合预编码方法，其特征在于，所述步骤S12中，训练联合反馈和混合预编码的深度学习模型时，损失函数设置为均方误差 其中 为数据集的标签， 为输出数据，其中Fa,Fb分别为

标签的模拟、数字预编码矩阵， 分别为训练过程中模型输出的估计的模拟、数字预编T码矩阵，vec ()表示将矩阵向量化并转置，diag()表示取矩阵的对角线元素，分别表示取复数的实部、虚部，∠表示将复数变换为角度，学习率为0.0003，衰减因子为

0.95，epoch设置为400。

6.根据权利要求1所述的基于深度学习的智能反射面联合反馈和混合预编码方法，其特征在于，所述步骤S22中，网络的输出为 其中T

分别为在线预测阶段模型输出的模拟、数字预编码矩阵，vec()表示将矩阵向量化并转置，diag()表示取矩阵的对角线元素， 分别表示取复数的实部、虚部，∠表示将复数变换为角度，将 变换为复数形式，将其与N×N的单位矩阵相乘得到模拟预编码矩阵 将 变换为M×K的矩阵形式，将实部与虚部结合，得到数字预编码矩阵 其中N为智能反射面无源反射元件个数，M为射频链路数，K为用户数。

7.根据权利要求1所述的基于深度学习的智能反射面联合反馈和混合预编码方法，其特征在于，所述步骤S24中，第m个射频上的数字预编码信号通过馈线将信号传输至第m个子表面上，第m个子表面上的第q个反射元件根据模拟预编码Fa中的第m个对角矩阵 的第q个对角元素 来设置相移，其中m＝1,...,M，q＝1,...,Q，M为射频链路数和子表面数，为子表面上的无源反射元件数，N为智能反射面上的总无源反射元件数，为智能反射面的模拟预编码矩阵，

diag{}表示将向量转化成对角矩阵， θq,m为第m

个子表面的第q个无源反射元件的相移；传输到智能反射面上的信号经过无源反射元件进行相移处理，将相移处理后的信号传输至K个用户。