1.一种基于神经网络多属性判决的垂直切换方法，其特征在于，包括构建神经网络模型阶段和性能评估与反馈阶段，其中，一、构建神经网络模型

设置UMTS，GPRS，WLAN，4G，5G五类网络共存的网络环境，分别搭建其各自的三层BP神经网络模型，搭建过程如下：步骤1：输入层结构设计，分别设定五类网络在同一通信条件下能影响各自性能的六大属性元素并将其量化数值输入到输入层中，同时设置输入层的节点个数为六；

步骤2：隐层结构设计，根据隐层神经元个数经验公式，采用适度的原则来确定隐层神经元节点的个数；

步骤3：输出层结构设计，并确定相关的性能公式；

二、性能评估与反馈

对整个网络进行性能评估，得到切换成功率的相关数值，并根据评估分析结果为整个算法的运行流程提供反馈信息。

2.根据权利要求1所述的一种基于神经网络多属性判决的垂直切换方法，其特征在于，所述步骤1中，六大属性元素的值分别为最大传输速率、最小时延、SINR、误码率、用户移动速度、丢包率所对应的数值。

3.根据权利要求1所述的一种基于神经网络多属性判决的垂直切换方法，其特征在于，所述步骤2中，隐层神经元个数经验公式为：其中，m为输入层神经元个数，n为输出层神经元个数，a为1到10之间的任意常数。

4.根据权利要求1所述的一种基于神经网络多属性判决的垂直切换方法，其特征在于，所述步骤3具体包括如下步骤：步骤3.1：依据五大类无线网络各自的网络下载速率预测值来设计神经网络模型的输出层神经元，并以其数值高低为依据来选择当前质量最优且最适应环境的无线网络；

步骤3.2：采用logsig型函数作为神经网络模型的传递函数以及L-M反向误差传播算法作为训练方法，得到收敛速率，logsig型函数公式为：步骤3.3：依据误差反向传播函数来不断地减小误差并逼近所期望的输出数值，误差反向传播函数公式为：其中，ti与Oi分别为网络参数结果的期望值和神经网络数据计算的相关输出值。

5.根据权利要求1所述的一种基于神经网络多属性判决的垂直切换方法，其特征在于，所述神经网络的通用输出公式表示为公式(4)，其中，a为神经元阈值，w为输入数据所对应的权值集合，x为神经元的输入数据集合，f是激活函数，其表达式为公式(5)，神经网络隐层中节点的输出为公式(6)，

其中，net为该层的神经元变量的集合；

神经网络隐层节点的误差函数的梯度为公式(7)，其中，Ol为神经网络预测输出值的集合，其公式(8)如下，神经网络输出层节点的误差为公式(9)，

其中，tl为神经网络参数的期望值集合；

BP神经网络的权重调整与误差E的负梯度应成比例关系，以达到误差E最小化，用等式(10)表示，其中，Tli为当前第i个输出层神经元所对应的拥有l个隐层神经元的权值集合；

神经网络输出层的节点误差函数的梯度为公式(11)。