1.一种基于机器学习的混合供电C-RAN的资源分配方法，其特征在于，确定BBU与RRH之间的映射关系，完成BBU处的资源分配，计算具有能量收集功能的RRH处能量到达率，根据RRH处能量到达率，使用机器学习的方法确定RRH的资源分配以及用户调度；其中，所述BBU处资源分配过程为：若L z ＞l n ，则根据判决式L＝min{l n +L 1 ,l n +L 2 ,…}确定最佳BBU z 与RRH映射关系，若L z ＜l n ，则激活一个休眠BBU，使之与对应RRH映射，其中，所述L z 为BBU的计算资源，所述l n 为RRH n 的计算资源需求；其中，所述能量到达率的计算过程为：RRH的能量到达率回归模型为函数v(t)，其中 其中μ代表函数的期望，即一天之内能量到达率的平均值，σ 2 表示函数的方差，即能量的集中程度；通过数学变换，将能量到达率的一元非线性回归模型改写为二元线性回归模型函数v′(t)，具体操作如下：令v′(t)＝lnv(t)， 那么a′＝ln a，将v′(t)和a′代入v(t)，将v(t)改写为v′(t)＝a′-πe 2a′ (t-μ) 2 ＝-πe 2a′ t 2 +2μtπe 2a′ -πe 2a′ μ 2 +a′,令变量t 2 ＝t 2 ,t 1 ＝t,b 2 ＝-πe 2a′ ,b 1 ＝2πμe 2a′ ,b 0 ＝a′-πμ 2 e 2a′ ，则可得到能量到达率的二元线性回归函数v′(t)＝b 2 t 2 +b 1 t 1 +b 0 ；在回归模型中采用均方误差e来量化实际值与预测值之间的误差，其中所述均方误差 其中 和v i (t)分别表示取的第i个数据的真实值和预测值， 和 代表基于第i个数据的时间下的自变量t 1 ,t 2 ；通过最小二乘法计算回归系数，具体操作为：分别对b 2 ,b 1 ,b 0 求偏导，同时令偏导值为0，则回归系数最优解为 进而计算得到σ和μ，其中， 以及 其中，RRH资源调度过程为：量化用户QoS为O k ，其中 其中，用户k的中断概率表示为： 表示传输给用户k的第i条子信道的中断概率；用户k的时延tr k 为所有子信道中耗时最长的子信道时延；根据网络能耗表达式得到优化目标ρ t ，其中， 采用机器学习的方法确定RRH资源分配以及用户调度，具体包括：当前状态s的状态值线性近似函数为V w (s)，其中 其中，状态s的状态值函数V(s)的特征向量为 其中，令w＝(w 1 ,w 2 …,w n ) T ，z＝(z 1 ,z 2 …,z n ) T 分别为状态值函数和状态动作值函数的参数；对应状态并进行动作a的状态动作值函数特征向量为Φ(s,a)＝(φ 1 (s,a),φ 2 (s,a),…,φ n (s,a)) T ；状态s采取动作a获得的收益的线性近似函数为Q w (s,a)，其中 对输出动作进行好坏评估，评估函数为优势函数A＝Q z (s,a；z)-V w (s,w)，如果动作使得网络收益增加，那么调整行动网络使该动作出现的可能性增加，反之如果动作使得网络收益减少，则使该动作出现的可能性减少，通过反复的训练，不断调整网络找到最优的动作。
