1.一种基于FFDNet的毫米波大规模MIMO系统信道估计方法，其特征在于，所述方法包括：步骤S1、搭建毫米波大规模多输入多输出MIMO系统，并利用透镜天线的均匀平面阵列UPAS产生新的波束空间数据集，将所述波束空间数据集分为训练集、测试集和验证集；

步骤S2、构建基于快速灵活去噪网络FFDNet的毫米波大规模MIMO系统的去噪神经网络FFDNet‑AMP模型；

步骤S3、根据步骤S2中的FFDNet‑AMP模型，设定多个网络算法的参数，所述多个网络算法包括快速灵活去噪网络FFDNet算法、协稀疏分析近似消息传递成像SCAMPI算法、非局部均值滤波近似消息传递NLM‑AMP算法、高斯近似消息传递Gauss‑AMP算法、神经网络近似消息传递LDAMP算法和双边近似消息传递Bilateral‑AMP算法；

步骤S4，根据步骤S1中的训练集对FFDNet算法、SCAMPI算法、NLM‑AMP算法、Gauss‑AMP算法、LDAMP算法和Bilateral‑AMP算法进行训练，获取每个算法的训练结果数据；并判断FFDNet算法的训练结果数据是否达到预设的训练阈值；其中，所述训练结果数据包括去噪效果数据、网络损失曲线及训练时间；

步骤S5，若判断出所述FFDNet算法的训练结果数据达到预设的训练阈值，则将步骤S1中的测试集和验证集输入至FFDNet‑AMP模型中进行测试验证，获得测试验证参数；并判断所述测试验证参数是否达到预设的验证阈值；

步骤S6，若判断出所述测试验证参数达到预设的验证阈值，则将训练后的FFDNet算法和近似消息传递AMP算法相结合，以完成对毫米波大规模MIMO系统的信道估计；

所述步骤S1包括：

采用室内多径信道统计模型Saleh‑Valenzuela作为毫米波大规模MIMO系统的信道模型，用户与透镜天线G×K之间的信道向量H，其中，G和K均为天线的数量，G×K为天线总数；H表达式如下所示：；

其中，H为波束空间通道矩阵， ；L为路径数， 为第i条路径的路径增益；

和 分别为入射平面波的方位角和仰角； 为天线阵响应矩阵，其由天线阵的几何形状决定；

广泛的透镜天线的均匀平面阵列，其表达式如下所示：

；

其中， ， ； 为载波波长；d为天线间距，在毫米

波通信系统中满足 ；

利用透镜天线阵列将空间域信道转换为波束空间信道，对H进行矢量化，得到波束空间通道向量h， ；上行训练阶段，用户向毫米波基站BS发送训练符号s，则在毫米波基站接收到的信号向量为y， ；y表达式如下所示：；

其中， ，其为高斯噪声向量；设s=1，在毫米波基站接收端已知导频信号；

所述步骤S2包括：

所述快速灵活去噪网络FFDNet由1层下采样网络、1个卷积神经网络CNN、1层下采样的逆运算网络及1层残差网络构建信道估计模型；其中，下采样网络将原始图像分成4个去噪后的子图像，并将4个去噪后的子图像和1个可调的噪声水平升级图输入至卷积神经网络；

卷积神经网络的每一层均由3个网络层组成，所述3个网络层包括第1卷积层、第2中间层和第3滤波层；其中，所述第1卷积层包括64个不同的滤波器Conv，其滤波器大小为3×3×

1和1个非线性激活函数ReLU；所述第2中间层包括64个不同的滤波器，其滤波器大小为3×3×64、1个批标准化BN和1个非线性激活函数；所述第3滤波层包括1个大小为3×3×64的滤波器；

利用1个3×3×64的滤波器输出4个去噪后的子图像，在第3滤波层经下采样的逆运算网络生成残余噪声网络，并利用残差网络生成估计信道矩阵；将所述快速灵活去噪网络FFDNet和近似消息传递算法AMP相结合，以构建基于FFDNet的毫米波大规模MIMO系统的去噪神经网络FFD‑AMP模型。

2.根据权利要求1所述的方法，其特征在于，步骤3设定的参数包括：

设定毫米波大规模MIMO系统的透镜天线G×K的均匀平面阵列，路径数为4；G和K的取值均为64。

3.根据权利要求1所述的方法，其特征在于，所述步骤S4中的训练包括：将波束空间数据集缩放到[0,1]范围内，采用随机梯度下降法和ADAM优化器对FFDNet算法进行训练优化。

4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在执行权利要求1至3中任一项所述的基于FFDNet的毫米波大规模MIMO系统信道估计方法。

5.一种电子设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行权利要求1至3中任一项所述的基于FFDNet的毫米波大规模MIMO系统信道估计方法。