1.一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，包括以下步骤：S1：根据异构蜂窝网络的网络模型得到宏基站与毫微微基站之间以及毫微微基站之间的干扰，以用户与基站的关联关系和用户最小接收信号信干噪比为约束条件、以毫微微基站群的最小能耗为优化目标，建立能耗优化模型；S2：利用径向基神经网络对宏基站业务量进行预测，得到径向基预测值；其中，径向基神经网络的输入是过去几个时间周期的所有时间节点宏基站的业务量值，径向基神经网络的输出是某一个时间周期宏基站的业务量预测值，即径向基预测值；S3：利用误差修正值对径向基预测值进行优化，得到修正预测值；判断径向基预测值是否是齐次马尔科夫链，若不是齐次马尔科夫链，结束算法；若是齐次马尔科夫链，则根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，将状态转移概率最高概率存在的分布区间的均值作为误差修正值，利用误差修正值对径向基预测值进行优化；齐次马尔科夫链的判断方式包括：马氏链X＝{Xn,n＝1,2,3,L,n}，n表示马尔科夫链总长度，马氏链的状态空间I＝{1,2,3,L}，P{Xn+1＝j|Xn＝i}＝p(i,j)为马氏链中n时刻处于状态i、在n+1时刻转移到状态j的转移概率，马氏链中其中，表示在马氏链X1,X2,K,Xn中分为m个段落中第k段落中状态i转移到状态j出现的次数；表示第k段落中状态i出现的次数；An(i,j)表示从状态i转移到状态j出

现的次数；Sn(i)表示状态i出现的次数，m表示马氏链所分的段落总数；利用卡方检验的方法，根据上式可得由此构造卡方检验统计

量比较卡方统计量X2与X2的自由度系数当时，认定序列为齐次马尔科

夫链，其中表示自由度系数值，其值根据自由度系数的不同有不同的数值；

根据径向基预测值与实际吞吐量的相对误差序列的不同状态区间计算状态转移概率，包括以下步骤：S31.根据径向基预测值和宏基站实际吞吐量得到相对误差序列；S32.对相对误差序列进行归一化处理；S33.根据黄金分割法将归一化后的相对误差序列划分为e个状态区间，即E1 ,E2,E3 ,K ,Ee；S34.根据状态转移概率公式计算齐次马尔科夫链的状态转移概率；根据状态转移概率公式计算齐次马尔科夫链的状态转移概率具体包括：齐次马尔科夫链从状态Ei经过一步转移到状态Ei+1的转移概率为：其一步转移概率矩阵为：齐次马尔科夫链从状态Ei经过n步转移到Ei+n的转移概率为根据切普曼‑柯尔莫哥洛夫方程，n步转移概率为P(n)＝(P(1))n；其中，An(i,j)表示从状态i转移到状态j出现的次数；Sn(i)表示状态i出现的次数；S4：根据修正预测值计算基站休眠比，根据基站休眠比对宏基站覆盖区域内的所有毫微微基站进行比例休眠；S5：将未休眠基站视为粒子，将粒子位置作为为未休眠基站的当前功率值，将能耗优化模型的拉格朗日形式作为评价函数，利用粒子群算法迭代求出最优毫微微基站群发射功率。2.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，所述能耗优化模型包括：Nf≤Nf  maxNm≤Nm  max其中，集合B＝{B0,B1,B2,K,Bb}表示的是所有基站，{B0}表示宏基站，{B1,B2,K,Bb}表示在宏基站覆盖范围内的毫微微基站；F(.)表示功率控制函数即宏基站和所有毫微微基站的功率和函数，Nf表示毫微微基站内毫微微用户数，f＝1,2,...,b，b表示基站总数，Nf  max表示毫微微基站内毫微微用户数最大值，表示毫微微基站Bb对于毫微微用户i的发射功率，

Nm表示宏基站内的宏用户数，Nm  max表示宏基站内宏用户数最大值；表示宏基站B0对于

宏用户m的发射功率；cnk表示用户关联系数，cnk∈{0,1}，cnk为0表示用户n未关联到基站k，cnk为1表示用户n关联到基站k；N表示用户，当户关联系数中k＝B0时，N表示宏用户m，当k＝B1,2,K,b时，N表示毫微微用户i；表示毫微微用户i与毫微微基站B1,2,K,b的关联性；表示

毫微微用户i与毫微微基站F之间的信道增益；表示宏用户m与毫微微基站B0的关联性，表示毫微微用户i与宏基站M之间的信道干扰，表示邻毫微微用户i与毫微微基站B1,2,K,b的关联性，表示毫微微基站B1,2,K,b对邻毫微微用户j的发射功率，表示邻毫微

微用户j与毫微微基站F之间的信道干扰，表示基站未休眠比例，Cc表示误差修正

业务量，Cmax表示基站最大工作功率；σ2表示信道上的噪声功率，表示宏用户m的信干

噪比阈值，表示毫微微用户i的信干噪比阈值。

3.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，使用径向基神经网络预测方法对宏基站覆盖范围内的业务量进行预测，具体包括：将已知时刻的业务量划分为R维数据p ，得到c个隐含层到输出层的权值在R+1个输入时根据系数矩阵得到的拟合函数得到径向基预测值

4.根据权利要求1所述的一种异构蜂窝网络中毫微微基站的联合休眠与功率控制方法，其特征在于，利用粒子群算法迭代求出最优毫微微基站群发射功率包括：将能耗优化模型的拉格朗日形式作为评价函数，根据各粒子位置计算粒子评价函数值，即评价值，将粒子位置的初始值的0.8倍数值作为局部最优值，粒子位置的初始值的0.75倍数值作为全局最优值；每一次迭代过程中将当前评价值与局部最优评价值比较，若当前评价值大于局部评价值，将当前评价值更新为局部最优评价值，反之，保留局部最优评价值；再将局部最优评价值与全局最优评价值比较，若局部最优评价值大于全局最优评价值，将局部最优评价值更新为全局最优评价值，反之，保留全局最优评价值；根据全局最优位置，更新各粒子的速度与位置，更新拉格朗日参数，在下一次迭代时更新评价函数，以达到快速收敛的目的，反复迭代直到达到预先设定的最大迭代次数，此时粒子群位置即为最优毫微微基站群发射功率控制值。