1.一种RIS辅助的大规模MIMO深度学习方法，其特征在于，包含以下步骤：步骤S1、建立RIS辅助的大规模机器类上行通信系统，通过高斯随机分布逼近RIS辅助的级联信道；

所述RIS辅助的大规模机器类上行通信系统中，存在基站与设备之间的信道链路、设备与RIS之间的信道链路及RIS与基站之间的信道链路，通过配置了M根天线的基站，服务于N个单天线在线设备，且基站与设备之间的通信由配置了K个反射元素的RIS辅助进行；

导频信号为 ，表示如下：

；

其中， 表示N个单天线在线设备长度为B的导频序列集合， ，表示第个设备的长度为B的导频序列， ；

基站端的接收信号 ，表示如下：

；

其中， ， ，

， 用于表示第 根天线上的接收信号；

表示第 个设备与基站之间的直达链路，上标T表示转置， ；

是设备与RIS之间的信道链路， ；

是RIS与基站之间的 信道链路， ；

分别表示B维，K维和M维的复数域信号集合；

RIS的相移矩阵 ，表示如下：

；

其中， 是RIS的第 个元素的幅度， 为第 个相移，；j表示复数域信号的虚部， 函数表示自然常数e为底的指数函数， 函数用于构造对角矩阵；

使用 表示级联信道，将基站端接收信号的表达式改写为：；

其中， 为复高斯白噪声，均值为 ，方差为 ， 用于表示导频信号和级联信道的乘积；

基于中心极限定理，将级联信道 近似逼近为伯努利高斯随机分布，相应的概率分布P表示如下：；

其中， 为设备的活跃概率， 为狄拉克函数， 表示第 个设备的信道状态信息， ； 均为路径损失参量，分别对应设备与RIS之间的信道链路、RIS与基站之间的信道链路、设备与基站之间的直接信道链路， 函数表示复高斯概率分布函数，I表示单位矩阵；

步骤S2、基于Turbo消息传递方法，构建RIS辅助的大规模机器类上行通信系统深度学习网络并进行分层，对每一层进行贝叶斯多维测量向量估计，循环迭代至最终收敛，估计基站端天线上的信道后验信息；

构建RIS辅助的大规模机器类上行通信系统深度学习网络，并分为 层，对于第 层，输入为基站端的接收信号 ，导频信号为 ，输出为信道的估计值 ；

基于多维测量向量规则，将生成对抗网络和降噪卷积神经网络方法融入消息传递网络，将信道估计的每一次迭代作为网络中的每一层，进行循环迭代，对基站端 根天线上的后验信息进行估计；

对于第 层，初始化输入为第 层的输出：；

其中，下标A和B代表模块A和模块B，所述模块A对向量进行后验估计，并传递外部期望和外部方差，所述模块B对信号做后验估计，估计每个子模块的信道信息；

上标pri代表先验值，上标ext代表外部值， 代表方差， 代表期望函数；

、 分别表示第 层A模块中第 个天线上 的先验期望和先验方差， 、 分别表示第 层B模块中第 个天线上 的外部期望和外部方差；

对基站端 根天线上的后验信息进行估计的循环迭代，包括如下子步骤：S2.1、令 ，估计基站端 根天线上 的后验信息与 的外部信息，对于每一根天线 而言，计算 、 ， 、和 ；

其中， 分别表示第 层信道和导频的乘积信号以及信道状态信息，上标p o st 代表 后 验值 ， 、 、 、和 分别表示第 层第 个天线的A模块中 和 的后验期望和后验方差，以及B模块中 的后验期望和后验方差；

S2.2、对所述RIS辅助的大规模机器类上行通信系统所有的在线设备在进行联合信道估计，当 时， 表示第 层第 个设备的信道状态信息，计算得出 的后验期望和后验方差，分别为 和 ，公式如下：；

；

其中， 代表求解期望的表达式， 代表求解方差的表达式， 代表对角化处理； 表示第 层第 个设备的在B模块中的信道先验期望； 表示第 层第 个设备的在B模块中的信道先验方差；

S2.3、对基站端 根天线上的外部信息进行估计，当 时，计算得到和 ，分别表示第 层

第 个天线的B模块中 的后验期望和后验方差，第 层第 个天线的B模块中的先验期望和先验方差；

步骤S3、将S2中的信道后验信息的估计模块，转化为联合生成对抗网络和降噪卷积神经网络的融合模块，学习RIS辅助的级联信道状态信息，得到降噪处理后的级联信道估计结果；

将信道后验信息的估计模块转化成联合生成对抗网络和降噪卷积神经网络的融合模块，利用生成对抗网络，生成最接近真实值的生成样本 ，利用加性白高斯噪声训练模型作为降噪卷积神经网络的输入，生成样本表示如下：；

其中， 分别表示最接近真实生成样本的信道和噪声；

所述降噪卷积神经网络由三种层构成，第一种层由64个 的滤波器和整流线性单元组成，第二种层由64个 的滤波器、批标准化以及ReLU构成，第三种层由单独的的滤波器进行信号重构；

所述融合模块输出结果为信道中包含的噪声值，将输入信号减去所述噪声值，得到经过降噪处理后的信道估计结果；

步骤S4、通过状态演化，对RIS辅助的大规模机器类上行通信系统深度学习网络的每一层的解析性能进行分析，得到RIS辅助的大规模机器类上行通信系统的收敛结果；

对所述RIS辅助的大规模机器类上行通信系统深度学习网络的每一层，进行状态演化，公式如下：；

；

；

其中， 的初始化根据级联信道 进行计算，用于表示第c层信道方差矩阵在对角线上第（1，1），（2，2）…，（M，M）位置上的元素值， 是导频矩阵的测量系数， 为第 个设备信道估计的均方误差函数； 和 表示第 层用于进行状态演化的传递函数，对于第 层，通过 和 之间的不断更新，直至获取RIS辅助的大规模机器类上行通信系统的收敛结果。

2.一种电子设备，其特征在于，包括：一个或多个处理器；

存储装置，其上存储有一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1所述的RIS辅助的大规模MIMO深度学习方法。

3.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，该程序被处理器执行时，实现权利要求1所述的RIS辅助的大规模MIMO深度学习方法。