1.一种大规模免调度系统活跃用户检测方法，其特征在于，包括下述步骤：(1)、创建接收信号y的数据集；(2)、将步骤(1)中得到的数据集划分为训练集和测试集；(3)、利用变分自编码器方法设计损失函数和神经网络结构，利用步骤(2)中得到的训练集数据输入到网络中进行训练；(4)、将步骤(3)训练好的网络，利用步骤(2)中得到的测试集数据输入到网络中进行测试；(5)、步骤(4)输出的重构信号中输出值为1的元素对应的位置即代表处于活跃状态的用户，输出值为0的元素对应的位置即代表处于非活跃状态的用户，采用机器学习中的F β 度量来衡量检测结果；所述步骤(1)中，创建接收信号y的数据集方法为：首先生成一个长度为N的稀疏向量a作为活跃用户指示向量，N代表总的注册用户数，a中只包含少数1，其余元素都为0，稀疏向量a与具体场景下的信道系数向量h对应元素相乘，再与基站分配的导频序列矩阵S进行矩阵乘法，叠加高斯白噪声w后即得到接收信号，y＝S(h*a)+w，*代表对应元素逐个相乘，按照上述方法产生多条数据，在Tensorflow深度学习框架中创建数据集，用于作为训练数据集和测试数据集；所述步骤(3)具体为：在Tensorflow深度学习框架中搭建变分自编码器网络结构，编码器和解码器部分都由两个全连接层组成，通过变分推断的方法推导出一个变分下界，作为用于变分自编码器网络训练的损失函数L(θ,Φ,y)，变分下界的表达如下：其中p θ (a)为先验概率密度函数，p θ (y|a)为高斯似然函数，q Φ (a|y)为一个逼近后验概率p θ (a|y)的近似后验概率密度函数，称作编码器；网络训练采用小批量训练方式利用梯度下降法最小化损失函数L(θ,Φ,y)，关注编码器q Φ (a|y)的输出结果，对编码器的网络实现，利用了两层全连接神经网络，因为处理的数据是复数，所以输入层有两个输入通道，分别对应观测信号y的实部和虚部，输出层有一个通道，代表输出概率向量 i∈[1,N]，其中q i 代表每个用户处于激活状态的概率预测值，第一层全连接层与第二层全连接层之间的激活函数为Softmax函数，定义为 输出层激活函数为Sigmoid函数，保证输出结果在[0,1]之间，代表有效的概率值；所述步骤(5)具体为，对活跃用户指示向量的真实值与预测值的不同情况的组合做如下定义：a＝[a 1 ,a 2 ,…,a i ]向量中的元素a i 的真实取值为1，预测值q i 为1时对应的情况个数记为TP；a i 的真实取值为1，预测值q i 为0时对应的情况个数记为FN；a i 的真实取值为0，预测值q i 为0时对应的情况个数记为TN；a i 的真实取值为0，预测值q i 为1时对应的情况个数记为FP，定义两个度量：查准率P和查全率R分别为：对P和R的重视程度的不同用F β 度量对两者进行加权调和平均，取F β 中的参数β＝5代表赋给查全率更高的比重，F β 定义为：
