1.一种基于半监督学习的移动边缘计算速率最大化方法，其特征在于，所述方法包括以下步骤：

1)在一个由一个基站和多个无线设备组成由无线供电的边缘计算系统中，基站和每个无线设备都有一个单独的天线；射频能量发射器和边缘计算服务器都集成在基站中，假设基站有一个稳定的能量供给，并且能广播射频能量给所有无线设备，每一个无线设备都有一个能量收集电路和一个可充电电池，通过存储收集的能量来完成一些任务；在这个无线通信系统中，每个无线设备都需要与基站建立联系，无线设备i与基站之间的信道增益hi计算为：

其中，各参数定义如下：

Ad：天线增益；

π：圆周率；

fc：载波频率；

di：无线设备i与基站之间的距离；

de：路径损耗指数；

2)假设每一个无线设备的计算任务可以在本地低性能的微处理器上执行或者分流给具有更强大的处理能力的边缘计算服务器，它将处理计算任务然后将结果发送回无线设备；假设无线设备采用二进制计算分流规则，也就是，一个无线设备必须选择是本地计算模式或者分流模式；使用两个互不重叠的集合 和 分别表示在本地计算模式和分流模式的所有无线设备，所有无线设备集合 表示为：

3)处在集合 中的无线设备能够收集能量并同时处理本地任务，而处在集合 中的无线设备只能在收集能量后将任务分流至基站处理，假设基站的计算能力和传输能力要比能量采集无线设备要强大得多，在这种情况下，在任务分流过程中，无线设备耗尽了其收集的能量，所有无线设备的计算速率总和最大化问题描述为：约束条件为：

式中：

其中，各参数定义如下：

ωi：第i个无线设备的转换权重；

μ：能量收集效率；

P：射频能量传输功率；

Φ：处理每一位数据所需的计算循环次数；

hi：第i个无线设备的信道增益；

ki：第i个无线设备的能源效率系数；

α：时间系数；

vμ：转换效率；

B：带宽；

τj：第j个无线设备的时间系数；

N0：本地处理模式下无线设备的个数；

4)所有无线设备的模式选择将通过它们的信道增益hi决定，半监督学习的作用则是将它们的信道增益作为输入，然后生成一个能使所有无线设备的总和计算速率最大化的最优模式选择，即决定哪些无线设备的任务在本地处理而哪些分流至基站处理；半监督学习中的神经网络主要用于模式预测，也是学习过程的核心，它接收所有无线设备的信道增益hi然后预测出一个模式选择，但这个模式选择不一定是最优的，所以之后将在预测出来的模式的基础上在生成一个模式，然后通过计算选出这两个模式中最好的一个，最后在以好的那个模式作为神经网络的预测目标来优化神经网络，使其在下一次预测中能预测得更准；

在不断重复这个过程中，神经网络将会预测得越来越准，直至收敛。

2.如权利要求1所述的一种基于半监督学习的移动边缘计算速率最大化方法，其特征在于：所述步骤4)中，半监督学习的迭代过程为：步骤4.1：初始化半监督学习中的评估神经网络，迭代次数k初始化为1；

步骤4.2：当k小于或等于给定迭代次数K时，将所有无线设备的信道增益hi作为神经网络的输入，预测出初步的模式选择；

步骤4.3：在初步预测模式选择的基础上，再产生一种不同的模式选择；

步骤4.4：通过计算，选出这两种模式中能使所有无线设备总速率更大的那个模式；

步骤4.5：将效果更好的模式选择和输入的信道增益hi配对，组成一组带标签的数据，供神经网络学习；

步骤4.6：运用梯度下降算法和上一过程的数据，不断减小神经网络的误差，使其不断被优化，预测得更准，同时令k＝k+1，回到步骤4.2；

步骤4.7：当k大于给定迭代次数K时，学习过程结束，得到最优的模式选择。