1.一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，具体包括以下步骤：在时延多普勒域对无线信道进行建模，得到一个等效信道，即时延多普勒域信道；

利用改进的去噪近似消息传递算法，对接收端含噪时延多普勒域信道进行去噪处理，得到时延多普勒域信道的估计值；改进的去噪近似消息传递算法与去噪近似消息传递算法的区别包括：对去噪近似消息传递算法进行深度展开，将去噪近似消息传递算法的一次迭代过程作为改进的去噪近似消息传递算法的一层网络；

利用去噪卷积神经网络替换去噪近似消息传递算法的去噪器。

2.根据权利要求1所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，构建时延多普勒域信道的过程包括以下步骤：在发送端，将信息符号摆放到时延域维度为M、多普勒域维度为N的二维时延多普勒域网格，即时延多普勒域发送信号矩阵；

将时延多普勒域的发送信号矩阵进行矢量化，得到时延多普勒域发送信号；

时延多普勒域发送信号进行辛傅里叶变换映射为时频域信号，再将时频域信号进行海森堡变换映射为时域发送信号；

将时域发射信号经过无线信道进行传输；

在接收端，利用维格纳变换将时域接收信号映射为时频域信号，将时频域信号进行辛傅里叶变换映射为时延多普勒域接收信号；

根据时延多普勒域发送信号和时延多普勒域接收信号的关系进行建模，得到一个等效信道，即时延多普勒域信道。

3.根据权利要求1或2所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，时延多普勒域信道表示为：其中，h(τ,v)表示时延多普勒域信道，τ表示信道时延变量，v表示信道多普勒频移变量；L为传播路径的数量；hi为第i条路径的复增益；δ(·)为狄拉克函数；τi表示第i条路径对应的时延参数，表示为 li为二维网格中时延维度的整数索引，Δf为子载波间隔， 为时延轴网格的分辨率；vi为第i条路径对应的多普勒频移参数，表示为ki为二维网格中多普勒维度的整数索引，T为符号持续时间， 为多普勒轴网格的分辨率。

4.根据权利要求1所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，时延多普勒域发送信号和时延多普勒域接收信号的关系表示为：y＝Heffx+n

其中，y表示时延多普勒域接收信号矢量；x表示时延多普勒域发送信号矢量；Heff为时延多普勒域等效信道矩阵； 为等效噪声，且 即n服从均值为

0、方差为 的高斯分布， 表示等效噪声方差，I表示单位阵，w表示经过信道传输时的加性高斯白噪声；FN表示N点离散傅里叶逆变换矩阵， 为N点离散傅里叶逆变换矩阵； 表示克罗内克积运算，Grx表示为接收脉冲波形矩阵，Gtx为发送脉冲波形矩阵，H为时域信道矩阵。

5.根据权利要求1所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，改进的去噪近似消息传递算法的第l层网络信道估计的过程表示为：其中， 为第l层神经网络输出的时延多普勒信道估计值； 表示改进的去噪近似T l+1消息传递算法的去噪器；X表示时延多普勒域发送信号矩阵；(·) 表示转置，z 为第l层神l+1经网络输出的残差矢量；y表示时延多普勒域接收信号矢量；c 为Onsager校正项，表示为表示对去噪器进行散度运算。

6.根据权利要求5所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，对训练好的去噪器采用独立同分布的随机矢量 近似计算散度，该过程表示为：l l l

其中，h表示输入的含噪时延多普勒信道矢量，表示为h＝heff+n，heff表示矢量化的时l延多普勒等效信道，表示为heff＝vec(Heff)，n 表示时延多普勒信道的等效噪声；

表示随机矢量b符合均值为0、方差为I的高斯分布，I表示单位阵；Eb{·}表示数学期望运算；∈为一个极小数。

7.根据权利要求1所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，去噪卷积神经网络对测量噪声等级进行分层，针对不同层级的噪声进行学习训练，得到每个层级噪声对应的去噪器，将得到的得到去噪器应用在DAMP算法中，将DAMP算法每次迭代作为一层网络，将输入数据和最后一层网络的输出进行残差连接，其中第一层网络随机选择一个噪声层级的去噪器对输入信号进行去噪，其他层网络根据前一层网络输出信号的噪声，选择该噪声对应层级的去噪器。

8.根据权利要求7所述的一种基于模型驱动深度学习的OTFS信道估计方法，其特征在于，去噪卷积神经网络包括二十个卷积层，其中：第一个卷积层包括卷积操作和修正线性单元，该卷积层使用64个尺寸为3×3×1的卷积核来生成64个特征图；第二十个卷积层包括一个卷积操作，该层使用一个尺寸为3×3×64的卷积核来重建学习到的噪声信号；其他卷积层包括卷积操作、批归一化操作以及修正线性单元。