1.一种基于隐马尔科夫模型的接入网络选择装置，其特征在于：该装置包括：业务感知模块：用于读取用户终端业务需求特性敏感信息，通过信息交互平台与用户需求模块交互，实现对用户业务特性信息收集；用户需求模块：用于感知获取用户业务特性，为网络状态模块提供用户观察序列矩阵；网络属性模块：通过信息交互平台获取网络信息，根据各接入网的物理层、数据链路层、传输层及网络层的状态参数建立归一化网络属性矩阵；网络状态模块：用于根据用户观察序列矩阵、归一化网络属性矩阵建立隐马尔科夫模型参量集，对用户观察序列矩阵训练得到网络转移多属性联合观察概率及网络初始概率参量，输出至网络选择决策模块；网络选择决策模块：用于根据联合观察概率及网络初始概率参量确定最优接入网络，将最优接入网络信息反馈给信息交互平台；信息交互平台：用于用户终端及接入网络交互，接收来自网络选择决策模块的接入网络决策信息，触发用户终端接入网络。

2.根据权利要求1所述的接入网络选择装置，其特征在于：用户终端业务需求特性敏感信息包括：当前业务需求的带宽、时延、丢包率、吞吐量及服务费用。

3.根据权利要求1所述的接入网络选择装置，其特征在于：根据当前接入网络数量M、各网络状态属性数量N、网络间状态转移概率矩阵 t时刻归一t

化网络属性概率矩阵R、网络状态初始概率矢量π，建立隐马尔科夫模型参量集为：

λ=(M,N,A,Rt,π)，其中，矩阵元素 表示用户从网络m1转移至网络m2的概率。

4.根据权利要求1所述的接入网络选择装置，其特征在于：所述建立归一化网络属性矩阵具体为：定义t时刻网络属性矩阵 其中， 表示t时刻网络m中第n个属性初始参量值，对不同网络同属性归一化：对于有益性能参数，归一化为： 对于代价性能参数，归一化为： 其中，表示t时刻网络m中第n个属性列归一化参量值，

1≤m≤M；对同网络不同属性归一化，根据公式： 对各行的列归一化参量值进行归一化，获得t时刻网络m中第n个属性行归一化参量值 建立归一化网络属性矩阵

5.根据权利要求4所述的接入网络选择装置，其特征在于：所述获取多属性联合观察概率的方法为：定义第s个用户终端t时刻的业务需求行矢量其中 为第s个用户终端t时刻对第n类业务敏感参量的归一化需求因子，

1≤s≤S，S为总用户数，根据公式 确定t时刻第s个用户终端

在网络m中的多属性联合观察概率。

6.一种基于隐马尔科夫模型的接入网络选择方法，其特征在于：业务感知模块读取终端用户业务需求特性敏感信息，通过信息交互平台与用户需求模块交互，实现对用户终端特性信息收集；用户需求模块感知获取用户业务特性，为网络状态模块提供用户观察序列矩阵；网络属性模块信息交互平台获取网络信息，根据各接入网的物理层、数据链路层、传输层及网络层的状态参数建立归一化网络属性矩阵；网络状态模块根据用户观察序列矩阵、归一化网络属性矩阵建立隐马尔科夫模型参量集，对用户观察序列矩阵训练得到网络转移多属性联合观察概率及网络初始概率参量，输出至网络选择决策模块；网络选择决策模块根据联合观察概率及网络初始概率参量确定最优接入网络，将最优接入网络信息反馈给信息交互平台；信息交互平台接收来自网络选择决策模块的接入网络决策信息，触发用户终端接入网络。

7.根据权利要求6所述的接入网络选择方法，其特征在于：根据当前接入网络数量M、各网络状态属性数量N、网络间状态转移概率矩阵 t时刻归一化网络属性概率矩阵Rt、网络状态初始概率矢量π，建立隐马尔科夫模型参量集λ=(M,N,A,Rt,π)，其中，矩阵元素 表示用户从网络m1转移至网络m2的概率。

8.根据权利要求6所述的接入网络选择方法，其特征在于：所述建立归一化网络属性矩阵具体为：建立t时刻网络属性矩阵 其中，表示t时刻网络m中第n个属性初始参量值，对不同网络进行同属性列归一化：对于有益性能参数，根据公式 进行列归一化，对于代价性能参数，根据公式执行列归一化，得到t时刻网络m中第n个属性列归一化参量值其中， 1≤m≤M；根据公式 对同网络的不同

属性进行行归一化，获得t时刻网络m中第n个属性行归一化参量值 由此建立归一化网络属性矩阵

9.根据权利要求6所述的接入网络选择方法，其特征在于：所述获取多属性联合观察概率的方法为：定义第s个用户t时刻的业务需求行矢量 其中 为第s个用户t时刻对第n类业务敏感参量的归一化需求因子，

1≤s≤S，S为总用户数，根据公式 确定t时刻第s个用户在网络m中的多

属性联合观察概率。