1.基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：该方法包括以下步骤：

步骤一：首先将发射端与接收端分离设计，对于从码本 中任意选择的模拟预编码FRF，为模拟预编码的码本集，通过最大化毫米波信道上的高斯信号实现的互信息，得到其对应的数字预编码FBB，选择使得互信息最大的模拟预编码 与数字预编码 作为最优混合*

预编码，其中表示最优，RF表示模拟，BB表示基带数字， 分别表示模拟预编码与数字预编码的最优值；

步骤二：由步骤一得 和 对于从码本 中任意选择的模拟组合器WRF， 为模拟组合器的码本集，通过最大化系统频谱效率得到其对应的数字组合器WBB，选择使得系统频谱效率最大的WRF作为最优模拟组合器 表示模拟组合器的最优值；

步骤三：构建神经网络框架，分别训练模拟预编码神经网络和模拟组合神经网络；两个M

网络的输入分别为 H 表示M次信道实现， 和 分别代表步骤一、步骤二中M次信道实现从模拟预编码的码本集 和模拟组合器的码本集 中选择的的索引值集合；

步骤四：根据不同的输入信道条件，输出得到最优的模拟预编码 和模拟组合器通过步骤一和步骤二计算得到基带数字预编码 与组合器

2.根据权利要求1所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤一中，将发射端与接收端分离并设计模拟预编码FRF和数字预编码FBB的原理如下：

假设接收器基于接收信号执行最佳解码，通过最大化毫米波信道上的高斯信号实现的互信息来设计FRF，FBB：

其中 为Frobenius范数的平方，对于任何从码本 中选择的模拟预编码FRF，其最优基带数字预编码FBB为：

其中上角标 表示求 次幂，V表示 的右奇异值矢量的前Ns列，Ns为数据流数量，P为对角矩阵，对角元素值为注水功率控制解；当FBB已知时，优化目标写为：FRF的设计为从码本 中选择使得上式取得最大时的模拟预编码器

3.根据权利要求2所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤二中，模拟组合器WRF和数字组合器WBB的设计原理如下：由步骤一设计确定了 所以只需要设计WRF WBB以最大化系统的频谱效率，因此优化目标写为：

其中H1＝HFRF FBB， 为组合后噪声的协方差矩阵， 为噪声功率，对大规模天线阵列，当天线数量很多时，满足 符号∝表示 与I成正比，I为单位阵，假设 符号≈表示约等于，得到 所以优化目标改写为：

对于任何从码本 中选择的模拟预编码WRF，其最优基带数字预编码WBB为：V1为 奇异值分解的右奇异值矩阵；WRF的设计问题转化为：WRF的设计为从码本 中选择使得上式取得最大时的模拟组合器

4.根据权利要求3所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤三中，深度学习神经网络框架包含3个卷积层，3个全连接层，3个最大池化层，1个逻辑回归层，每个卷积层后面都有激活函数层，网络的输入为将信道矩阵H分为实数部分Re{[H]i,j}和虚数部分Im{[H]i,j}，Re{·}、Im{·}分别表示对信道矩阵H取实部和虚部；网络的输出为模拟预编码矩阵FRF或模拟组合器矩阵WRF，FRF、WRF是从预定义的码本 中选择，将FRF、WRF的选择表述为从码本中选择最优索引值的多标签分类问题，对每个样本H，使用获得最大频谱效率的模拟预编码矩阵作为标准，然后选择模拟预编码的索引值作为每个样本的标签值；使用交叉熵作为多标签分类问题的损失函数，训练神经网络。

5.根据权利要求4所述的基于毫米波MIMO系统深度学习的混合预编码设计方法，其特征在于：所述步骤四中，对于新的信道H，用训练好的网络预测输出得到最优的模拟预编码和模拟组合器 其最优数字预编码与数字组合器由步骤二和步骤三的计算公式得到。