1.一种基于深度学习由智能反射面辅助环境感知与通信优化方法，其特征在于，包括如下步骤：步骤1：多个用户同时向AP发送导频信号s；将感知过程划分为F帧，获取AP所有帧的接收信号y，导频信号s和信道矩阵H生成神经网络数据集；

步骤2：构建自适应反射面优化网络模型，逐帧优化反射面系数；

步骤3：构建环境感知网络模型和下行通信优化网络模型，环境感知网络模型输出散射体点云估计值，下行通信优化网络模型输出下行波束成形矩阵及反射面系数；

步骤4：在智能反射面辅助环境通信感知模型的下行阶段，通过下行通信优化网络模型输出的下行通信参数，设置基站以及反射面波束赋形，进行下行通信。

2.根据权利要求1所述的种基于深度学习由智能反射面辅助环境感知与通信优化方法，其特征在于所述步骤1具体包括：步骤1.1：空间内存在一个多天线AP，K个单天线用户UE，I个智能反射面IRS和若干个不同形状的散射体；发射信号从UE经历直连和反射两种路径，经过散射体和IRS到达AP，其中忽略三次及以上反射路径；

步骤1.2：将散射体所在的感知空间称为ROI，ROI将会被均匀地分为个，[Hx,Wy,Lz]分别为目标空间的高，宽，长，[hx,wy,lz]分别为小立方体的高、宽和长；整个TROI空间表示为x＝[x1,x2,...,xn] ；其中，xn∈[0,1]代表第n个像素块是否存在散射体；xn＝0为第n个像素块中不存在散射体；最终的ROI空间xn表示为散射体所在的特定区域中的点云分布，并据此确定散射体的具体分布位置和状态；

步骤1.3：将上行通信过程分为F帧，信道矩阵H分为经过散射体的hscatter和不经过散射体的hN‑scatter构成，其中hscatter和hN‑scatter都分为直连路径和散射路径；

由于在智能反射面辅助环境通信感知模型里hN‑scatter已知，所以上行通信过程只考虑hscatter；hscatter包含直连路径和散射路径均可由下式的级联方式表示，直接路径hLOS‑s公式为：hLOS‑s＝(hU→S⊙vU→S)diag(x)(hS→A⊙vS→A)hU→S和hS→A为UE到散射体和散射体到AP的路径损耗矩阵，vU→S和vS→A为与之对应遮挡矩阵，x为散射系数向量，⊙为哈达玛积；

散射路径为：

hS→I,m代表散射体到第m个IRS的信道矩阵，hI,m→A代表IRS到AP的信道矩阵，hU→I,m代表UES→I,m到IRS的信道矩阵，hI,m→S代表散射体到UE的信道矩阵，v 代表第m个IRS到散射体的遮挡I,m→S矩阵，v 代表散射体到第m个IRS的遮挡矩阵，Θm为反射相位系数矩阵；

每一帧接收信号公式为y＝hscatters+n，s为每一帧的用户发射信号，n为高斯白噪声；将每一帧y，s，拼接为 并用作训练集，验证集和测试集的特征，散射体分布点云和下行最大化和速率作为标签。

3.根据权利要求1所述的基于深度学习由智能反射面辅助环境感知与通信优化方法，其特征在于，所述步骤2具体包括：构建自适应反射面优化网络，所述网络由一个正向LSTM序列和逆向LSTM序列和L层的DNN构成，在第f帧，将前f‑1帧的所有y0:yf‑1,s0:sf‑1, 拼接为 输入到自适应反射面优化网络输入到正向和逆向LSTM序列中，然后拼接其两者的隐藏层送入L层的DNN，输出反射面系数 达到逐帧优化反射面系数。

4.根据权利要求1所述的基于深度学习由智能反射面辅助环境感知与通信优化方法，其特征在于，所述步骤3具体包括：步骤3.1：构建基于的RES‑LSTM架构的环境感知网络，RES‑LSTM单元基于LSTM单元，其LSTM单元隐藏层输出经过线性变换调整为与输入相同维度，随后与输入相加，作为最终的单元输出；环境感知网络得到的In0:InF，依次经过多层RES‑LSTM，双向LSTM，多层LSTM，多层LSTM输出的细胞状态层Cup作为R层的DNN输入得到网络输出散射体点云估计值 训练中将均方误差作为损失函数，公式为步骤3.2构建下行通信优化网络；该网络由单层RES‑LSTM和单层LSTM构成；下行通信速率网络得到的In0:InF，经过单层RES‑LSTM和单层LSTM得到细胞状态层Cdown，细胞状态Cdown作为U层的DNN输入得到网络输出下行波束成形矩阵υ和下行反射面系数ψ；

优化目标为最大化下行通信速率Rmax，公式为：

其中P为发射功率，Pmax为AP发射功率阈值，ReLU函数为功率惩罚函数，λ为超参数， 为最大和速率函数，公式为：其中h(ψ)i为第i个用户的下行信道矩阵，υi为第i个用户的波束成形矩阵， 为除了第i

2 *

个用户的波束成形矩阵，σ为高斯白噪声，[·]为共轭转置操作；

下行通信优化网络将取负函数作为损失函数，公式为：

Ldown＝‑Rmax。