1.一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，所述方法包括：在基站侧，首先判断出初始估计或者信道追踪是否失败，若失败则进入初始帧估计阶段，采用具有回溯机制的变步长分段自适应匹配追踪算法，估计出初始帧的角度域信道矢量，再在相干时间内完成先验信道支撑集信息的采集，否则不进行初始帧信道估计，直接在相干时间内完成先验信道支撑集信息的采集，获得先验信道支撑集；

在用户侧，基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分；采用最小二乘算法对密集部分求解，得到部分角度域信道矩阵；采用小波阈值去噪算法对角度域信道矩阵降噪处理，提升获取的密集部分角度域信道矩阵的精度；采用分布式自适应弱匹配追踪算法对稀疏部分角度域信道进行重构；整合估计出后续帧的角度域信道矢量；

基于先验信道支撑集将角度域信道矢量分解为稀疏部分和密集部分具体包括：将第t帧的角度域信道矢量分解为密集部分和稀疏部分；密集部分中的元素为先验信道支撑集中的非零值，假设其中仅有Sn个元素变化为零，稀疏部分中最多包含Sn个非零元素；

采用最小二乘算法对密集部分求解，得到部分角度域信道矩阵具体包括：将第t帧的接收导频按照时隙分为密集部分导频和稀疏部分导频；通过离散傅里叶矩阵中以先验信道支撑集中元素为索引的列矩阵和角度域导频符号酉矩阵的乘积计算出密集部分导频；通过密集部分导频和信道噪声确定出接收导频信号；通过最小二乘算法对所述接收导频信号和角度域导频符号构成的酉矩阵求解，得到角度域信道矩阵；

采用小波阈值去噪算法对角度域信道矩阵降噪处理，提升获取的密集部分角度域信道矩阵的精度具体包括：将角度域信道矩阵整合为待去噪信号；通过Mallat算法对所述待去噪信号进行小波分解；按照确定出的小波系数采用稳健估计噪声标准方差；采用噪声标准方差计算出门限阈值；采用门限阈值以硬阈值方式对小波系数进行处理；将小波分解后的信号重新变换为角度域信道矩阵；

所述门限阈值的计算公式表示为：

其中，λ表示门限阈值；σ表示噪声标准方差；S表示角度域信道稀疏度；N表示子载波个数；

采用分布式自适应弱匹配追踪算法对稀疏部分角度域信道进行重构具体包括：b

步骤1：计算阈值参数α＝σ*a，当计算出的α>1时，令α＝1；

步骤2：初始化i＝1，

步骤3：原子筛选确定最大索引 计算门限

选择与残差的内积之和大于门限Th的原子，将这些原子对应传感

矩阵 的列序号j构成集合J0；

步骤4：更新原子索引集和原子支撑集：Λi＝Λi‑1∪J0，Ai＝Ai‑1∪{aj}(j∈J0)；

步骤5：更新最小二乘解：

步骤6：更新残差：

2

步骤7：令 若满足条件βi<γNσ或Λi中元素数量大于T‑S，则进入步骤8；否则i＝i+1，返回步骤3继续迭代；

步骤8：迭代停止，输出

其中，σ表示噪声标准方差；b表示算法的预设第二参数；a表示算法的预设第一参数；ri表示第i次迭代过程中的残差； 表示接收端在第t帧的T‑S时隙内接收导频信号的转置矩阵；Λi表示第i次迭代过程中原子索引集；Ai表示第i次迭代过程中原子支撑集；λi表示第i次迭代过程中最大索引；N表示子载波个数；M表示天线数目；S表示角度域信道的稀疏度；

rn,i‑1表示在第i‑1次迭代残差的第n列矢量；aj表示传感矩阵的第j个原子； 表示传感矩阵的第λi个原子； 表示第i次迭代中估计出的稀疏部分角度域信道矩阵；hi表示第i次迭代中的理想稀疏部分角度域信道矩阵； 表示在第t帧的T‑S时隙内发送导频符号构成的传感矩阵；

所述噪声标准方差的估计公式表示为：

σ＝median(|d1(n)|)/0.6745

其中，median(|d1(n)|)表示尺度1下的细节系数模值的中间值。

2.根据权利要求1所述的一种低复杂度的大规模MIMO分布式信道估计方法，其特征在于，整合估计出后续帧的角度域信道矢量包括将求解出的密集部分和稀疏部分进行整合，将角度域信道矩阵变换到频域；将N个子载波上的频域信道矩阵整合为一个信道向量完成估计。