1.一种基于反向传播神经网络的信号恢复方法，其特征在于：包括以下步骤：S1.获取未知信道中，信号发送端的插入导频信息和信号接收端的接收导频信息，并据此构建训练样本集；所述步骤S1包括以下子步骤：在未知信道的信息发送端依次插入导频信号 其中， C N 表示N维复值向量；在未知信道的信息接收端提取对应的接收导频信号Z 1 ,Z 2 ,...,Z q ,...,Z T ；其中，Z q ∈C M ,q＝1,2,3,...,T；C M 表示M维复值向量；将每一个接收导频信号Z q 与对应的插入导频信号 作为一组样本数据 构建信号接收端到信号发射端的训练样本集 S2.建立由输入层、隐含层和输出层构成的反向传播神经网络模型；S3.将训练样本集中的各组样本信息依次输入反向传播神经网络模型进行训练，得到训练成熟的反向传播神经网络模型；所述步骤S3包括以下子步骤：S301.依次提取训练样本集中的各组样本数据作为训练数据；S302.将当前训练数据中的接收导频信号输入反向传播神经网络模型，计算反向传播神经网络模型的输出信号，并计算输出信号与插入导频信号的均方误差；S303.判断均方误差是否小于预设阈值，若是，训练完成，得到成熟的反向传播神经网络模型；若否，进入步骤S304；S304.利用梯度下降学习算法,对反向传播神经网络模型的权值矩阵和偏置矩阵进行更新；S305.返回步骤S301，重复进行步骤S301～S304，直至均方误差小于预设阈值为止；S4.信号接收端从未知信道中接收信号，输入到训练成熟的反向传播神经网络模型中，恢复出信号发射端发送的原始信号。
2.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S2包括以下子步骤：S201.建立由输入层、隐含层和输出层构成的反向传播神经网络模型：输入层包含M个神经元节点，隐含层包含L个神经元节点，输出层包括N个神经元节点,所述隐含层的激活函数为f a (z)＝e z ；S202.建立连接输入层和隐含层的权重矩阵V 0 ：建立连接隐含层和输出层的权重矩阵V 1 ：建立隐含层各个神经元的偏置向量b：b＝[b 1 ,...b L ] T ；设反向传播神经网络模型输入z i ,i＝1,2,...,M；其中i表示输入层中第i个神经元的输入；则反向神经网络模型输出y k 为：其中，k表示输出层中第k个神经元的输出； 表示隐含层中第l个神经元得到的输出值：即
3.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S302包括以下子步骤：将当前训练数据中接收导频信号的M维复值与反向传播神经网络模型输入层的M个神经元一一对应，进行信号输入，由反向传播神经网络模型计算输出信号：设输入层中第i个神经元的输入为z i ,i＝1,2,...,M；则输出层中第k个神经元的输出为：式中， 计算反向传播神经网络模型输出信号与当前训练数据中插入导频信号的均方误差E：式中， 表示当前训练数据中插入导频信号的第k维数据，y k 表示反向传播神经网络模型输出层中第k个神经元的输出。
4.根据权利要求1所述的一种基于反向传播神经网络的信号恢复方法，其特征在于：所述步骤S304包括以下步骤：计算输入层与隐含层的权重矩阵增量 隐含层与输出层的权重矩阵增量 以及隐含层的偏置向量增量Δb j (n+1)：式中，f a ′(·)为f a (·)的一阶导数，η 1 ，η 2 和η 3 表示学习速率，θ 1 ,θ 2 和θ 3 是动量系数，n是表示学习时间的时间步长，n+1表示当前学习周期；计算更新后输入层与隐含层的权重矩阵 更新后隐含层与输出层的权重矩阵 以及更新后的偏置向量b j (n+1)：
