1.一种基于流形学习的信道信息反馈方法，其特征在于，包括如下步骤：S1：基站收集过去时刻的下行CSI，将过去时刻的下行CSI整合成高维的训练数据集X，根据高维的训练数据集X学习得到降维字典和重构字典，降维字典包括高维字典 和低维字典 重构字典包括高维字典 和低维字典 S2：用户从下行导频中计算出增量CSI，根据增量CSI和降维字典计算得到其低维嵌入Y′，将低维嵌入Y′反馈给基站；S3：基站根据低维嵌入Y′和重构字典计算得到重构CSI。
2.根据权利要求1所述一种基于流形学习的信道信息反馈方法，其特征在于，所述S1的步骤，具体包括：S101：初始化参数，基站收集过去时刻的下行CSI，将过去时刻的下行CSI整合成高维的训练数据集X，设置近邻数K、压缩率γ、字典大小M和常量λ的值；S102：随机选择高维的训练数据集X中的M列来初始化高维字典 S103：将高维的训练数据集X和初始化或更新得到的高维字典 代入欧式距离公式计算得到近似度，选择与x i 近似度最大的K个d j 作为近邻，其中x i 为高维训练数据集X的第i列,d j 为高维字典 的第j列；S104：将x i 及其近邻代入如下公式更新得到权重矩阵C rd 的第i列，其中 表示的是c i 中的非零项组成的权重向量，即表示的是权重矩阵C rd 第i列的K个非零元素，c i 是权重矩阵C rd 的第i列， 表示的是一个所有元素都为1的列向量，(·) T 表示矩阵或向量的转置， 表示的是一个单位矩阵, 表示的是矩阵的Kronecker积，其中N(x i )为x i 的近邻整合成的近邻矩阵；S105：将更新得到的权重矩阵C rd 代入如下公式更新得到高维字典 其中 表示的是权重向量c i 对角化后的矩阵形式， N t 表示的是基站的天线数量，T s 表示的是过去时刻的数目；S106：将更新得到的权重矩阵C rd 和高维字典 代入代价函数并判断代价函数是否趋于收敛，若否则交替迭代S103至S106的步骤，若是则判定更新得到的权重矩阵C rd 和高维字典 为最优的；S107：将高维的训练数据集X代入局部切空间排列算法计算得到其低维嵌入Y；S108：将低维嵌入Y和最优的权重矩阵C rd 代入如下公式计算得到最优的低维字典 S109：将最优的高维字典 和低维字典 广播给用户。
3.根据权利要求2所述一种基于流形学习的信道信息反馈方法，其特征在于，计算得到最优的低维字典 和权重矩阵C rd 时，还进一步地包括：S110：将最优的低维字典 和权重矩阵C rd 代入如下公式计算得到高维训练数据集X在降维字典下的低维嵌入Y new ；S111：随机选择低维嵌入Y new 中M列来初始化低维字典 S112：将低维嵌入Y new 和初始化或更新得到的低维字典 代入欧式距离公式计算得到近似度，选择与y i 近似度最大的K个b j 作为近邻，其中y i 为低维训练数据集Y new 的第i列,b j 为低维字典 的第j列，y i ∈Y new ， S113：将y i 及其近邻代入如下公式更新得到权重矩阵C rc 中的第i列,其中 中的c i 中非零项组成的权重向量，即表示的是权重矩阵C rc 第i列中的K个非零元素，c i 是权重矩阵C rc 的第i列， 表示的是一个所有元素都为1的列向量， 表示的是一个单位矩阵, 表示的是矩阵的Kronecker积，其中N(y i )表示的是y i 的近邻整合成的近邻矩阵；S114：将更新得到的权重矩阵C rc 代入如下公式更新得到低维字典 其中 表示的是权重向量c i 对角化后的矩阵形式， N t 表示的是基站的天线数量，T s 表示的是过去时刻的数目；S115：将更新得到的权重矩阵C rc 和低维字典 代入代价函数并判断代价函数是否趋于收敛，若否则交替迭代S112至S115的步骤，若是则判定更新得到的权重矩阵C rc 和低维字典 为最优的；S116：将高维的训练数据集X和最优的权重矩阵C rc 代入如下公式计算得到最优的高维字典 S117：将最优的高维字典 和低维字典 存储在基站中。
4.根据权利要求1所述一种基于流形学习的信道信息反馈方法，其特征在于，所述S2的步骤，具体包括：S21：用户设置近邻数K、压缩率γ、字典大小M和常量λ的值，从下行导频中计算出增量CSI，将增量CSI转换为实数形式，实数形式的增量CSI用H′表示；S22：将H′和高维字典 代入欧氏距离公式计算得到近似度，选择与h i ′近似度最大的K个d j 作为近邻，其中h i ′为H′的第i列,d j 为高维字典 的第j列；S23：将h i ′及其近邻代入如下公式更新得到权重矩阵C r ′ d 的第i列，其中 表示的是c i ′中的非零项组成的权重向量，即表示的是权重矩阵C r ′ d 第i列的K个非零元素，c i ′是权重矩阵C r ′ d 的第i列， 表示的是一个所有元素都为1的列向量， 表示的是一个单位矩阵, 表示的是矩阵的Kronecker积，R r ′ d ＝(h i ′e T -N(h i ′)) T (h i ′e T -N(h i ′))，其中N(h i ′)为h i ′的近邻整合成的近邻矩阵；S24：将低维字典 和更新得到的权重矩阵C r ′ d 代入如下公式计算得到低维嵌入Y′；S25：将增量CSI的低维嵌入Y′反馈给基站。
5.根据权利要求1所述一种基于流形学习的信道信息反馈方法，其特征在于，所述S3的步骤，具体包括：S31：基站设置近邻数K、压缩率γ、字典大小M和常量λ的值，基站接收到用户反馈的低维嵌入Y′；S32：将低维嵌入Y′和低维字典 代入欧氏距离公式计算得到近似度，选择与y i ′近似度最大的K个b j 作为近邻，其中y i ′为低维嵌入Y′的第i列,b j 为低维字典 的第j列；S33：将y i ′及其近邻代入如下公式更新得到权重矩阵C r ′ c 的第i列，其中 表示的是c i ′中的非零项组成的权重向量，即表示的是权重矩阵C r ′ c 的第i列的K个非零元素，c i ′是权重矩阵C r ′ c 的第i列， 表示的是一个所有元素都为1的列向量， 表示的是一个单位矩阵, 表示的是矩阵的Kronecker积，R r ′ c ＝(y i ′e T -N(y i ′)) T (y i ′e T -N(y i ′))，其中N(y i ′)为y i ′的近邻整合而成的近邻矩阵；S34：将高维字典 和更新得到的权重矩阵C r ′ c 代入如下公式重构得到实数形式的CSI， 表示的是实数形式的重构CSI；S35：将实数形式的重构CSI转换成虚数形式的重构CSI，虚数形式的重构CSI用 表示。
