1.一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法，其特征在于：所述方法包括以下步骤：

1)集能型无线中继网络中通过可再生能量优化管理实现最大吞吐量，其中，优化问题描述为一个多变量优化问题：P1：

受限于： (约束条件1)

(约束条件2)

(约束条件3) (约束条件

4) (约束条件5)

在此，问题P1的各参数定义如下：

pi：中继节点在时隙i的传输功率；

ri：中继节点在时隙i的数据率；

τi：源节点在时隙i的传输时间；

中继节点在时隙i的传输时间；

ui：源节点在时隙i的数据率；

hi：中继节点到目的节点的信道增益；

Ei：中继节点在时隙i时所采集的能量；

Emax：中继节点的电池最大容量；

Qmax：中继节点的数据缓存容量；

L：单个时隙长度；

T：传输时隙数；

W：网络带宽；

2)单个神经网络由多个神经元和连接两个神经元的神经链路组成，其中，单个神经元所进行的数学运算，如下所示：在此，各参数定义如下：

yj：第j个神经元的输出；

f：激活函数；

wij：连接神经元i和神经元j的权重；

xi：前一层神经元i的输出；

bj：第j个神经元的偏置；

3)将问题P1分解为两部分优化：功率子优化和时隙子优化，即通过优化变量pi和 来得到最优的ri，其中，通过深度多网络学习的方法来优化中继节点在各时隙i上的传输功率pi和传输时间 从而最终决定问题P1中各时隙i的数据率ri之和的最大化；

将各时隙i的数据率ri作为深度多网络学习中所有神经网络的输入，然后生成一个能使各时隙i的数据率ri之和最大的传输功率pi和传输时间 即功率分配和时间调度；深度多网络学习中的神经网络用于传输功率pi和传输时间 预测，也是学习过程的核心，它接收各时隙i的数据率ri然后预测出多种功率分配和时间调度方案，然后通过计算选出这些功率分配和时间调度方案中最好的一个，最后再以好的那个功率分配和时间调度方案作为神经网络的预测目标来优化统一优化所有神经网络，使其在下一次预测中能预测得更准，能选出几乎最优的解；然后不断重复这个过程中，每个神经网络都会预测得越来越准，直至收敛。

2.如权利要求1所述的一种基于深度多网络学习的集能型无线中继网络吞吐量最大化方法，其特征在于：所述步骤3)中，深度多网络学习的迭代过程为：步骤3.1：初始化深度多网络学习中的各个网络，并给每个神经网络不同的初始参数，迭代次数k初始化为1；

步骤3.2：当k小于或等于给定迭代次数K时，将各时隙i的数据率ri作为神经网络的输入，预测出多个功率分配和时间调度方案；

步骤3.3：通过计算，选出这这些功率分配和时间调度方案中能使问题P1更大的那个功率分配和时间调度方案；

步骤3.4：将效果最好的功率分配和时间调度方案和输入的各时隙i的数据率ri配对，组成一组带标签的数据，保存下来供神经网络学习；

步骤3.5：运用梯度下降算法和上一过程的数据，不断减小每一个神经网络的误差，使其不断被优化，预测得更准，同时令k＝k+1，回到步骤3.2；

步骤3.6：当k大于给定迭代次数K时，学习过程结束，得到最优的功率分配和时间调度。