1.一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：该方法包括以下步骤：S1：信息采集步骤：由信息采集系统采集测试区内用户端的导频信息；

S2：获取训练样本：根据导频信息构建导频训练序列，进而得到导频训练样本；

S3：初始化神经网络：初始化神经网络模型参数；

S4：神经网络学习：由导频训练样本进行神经网络深度学习，得到最终的网络权重值；

S5：构造完备码本：用改进的DFT(Discrete Fourier Transform，离散傅里叶变换)方法构造适合所有信道状态的码本；

S6：码字选择：根据学习后的神经网络输出的信道，从完备码本中进行码字选择；

S7：相关关系的建立：构建所述测试区的导频信息与无线信道特性信息间的相关关系；

S8：信道匹配步骤：将未知区的信道与已有的无线信道匹配，进而选出未知区的信道对应的码字。

2.根据权利要求1所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S1中，在进行信息采集时将测试区分为四类：郊区宏小区(suburban macro)、市区宏小区(urban macro,UM-a)、市区微小区(urban micro,UM-i)和高速场景(high rise scenario)。

3.根据权利要求2所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S3中，所述初始化神经网络模型参数具体包括：学习率η，偏置值δ，输入层i节点与隐含层j节点的权值系数ωij∈(0,1)，隐含层j与输出层节点k的权值系数ωjl∈(0,1)，其中i,j,k∈N+，N+为正整数，且∑|ω|＝M(M是常数)，最大迭代次数lmax，误差初值e＝0，神经元激活函数f(.)采用阈值函数、线性函数或Sigmoid函数。

4.根据权利要求3所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S4中，所述神经网络深度学习具体包括：S41：导频训练样本P作为神经网络的输入,信道阵H＝[H0,H1,...,HN]为神经网络的估计目标值， 为神经网络的估计输出值；

S42：由模型输出与目标值间的最大误差τmax、最大迭代次数及权重值约束条件进行参数的深度训练，直到得到满足精度要求；

S43：每进行一次，迭代次数加1即l＝l+1；当迭代次数l≤lmax或e(l)≤τmax(τmax最大误差)时结束训练，否则返回步骤S42；

S44：经步骤S41、S42、S43后获得目标更新的权值系数；学习阶段完成后，神经网络利用测试区的导频P来估计 并将 储存到基于Spark集群的Shark数据库中，Shark数据库为用户提供信道信息的查询服务。

5.根据权利要求4所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S5中，所述用改进的DFT方法构造适合所有信道状态的码本如下：F＝WFDFT

其中，FDFT为傅立叶变换码本，F为修改后的傅立叶变换码本，Mt为发射天数，W(∈Mt×Mt)是酉矩阵，满足U＝W∑VH(U∈(Mt×Mt)可进行奇异值分解，其元素uk服从0均值、1方差的独立同分布的复高斯分布，即uk～CN(0,1))。

6.根据权利要求5所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S6中，所述码字选择包括：神经网络学习完成后，神经网络的输出值即为利用导频训练样本估计出的信道；根据选码准则进行码字选择，并把选出的最优码字放在Shark数据库中，为用户提供码字信息的查询服务。

7.根据权利要求6所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S7中，由信道信息，构建测试区的导频信息与无线信道特性信息间的相关关系，具体包括：根据测试区的导频相关性特征，将测试区内的导频分为多个具有代表性的参考导频图案；由测试区的无线信道模型获取该测试区内参考导频图案的信道信息，得到每个参考图案对应的信道特征，并将参考图案对应的信道特征存储在参考信道信息数据库中。

8.根据权利要求7所述的一种大规模MIMO下基于深度学习的码本选择方法，其特征在于：在步骤S8中，所述将未知区的信道与已有的无线信道匹配，进而选出未知区的信道对应的码字具体包括：S81：根据所述未知区的导频信息与测试区中的参考导频图案进行特征匹配；

S82：判断未知区的导频信息与测试区的参考导频图案特征间的相似度是否小于设定的阈值，若小于则匹配成功；否则，重新选取参考导频图案，直到满足小于设定的阈值；

S83：当未知区中的导频信息和测试区中的导频图案特征匹配成功后，将参考信道信息数据库中该图案对应的信道特征确定为未知区的信道特征，将信道特征进行综合，得到该未知区中的无线信道；

S84：根据该无线信道，在储存最优码字信息的Shark数据库中，获取最优码字，并将其反馈给该未知区中的基站(BS)。