1.一种超密集异构无线网络中基于网络推荐的接入选择方法，其特征在于，包括以下步骤：

101、网络推荐步骤：当用户进行网络选择时，首先调用线下网络推荐模型中历史数据库中存储的相似用户推荐的网络进行接入，具体的线下网络推荐模型构建过程包括：首先根据浣熊优化神经网络算法得到历史选网中各用户对候选网络的综合值，从而建立用户相似评分矩阵；然后采用皮尔逊相关度的方法，得到用户之间的相似度评估；其次构建用户相似度表和候选推荐网络评分表，根据实时的用户选网需求确定对应的推荐网络；最后构建一个在线反馈与评分机制更新历史数据库；

102、基于浣熊优化神经网络的线上选网判决步骤：当用户的推荐网络相关参数不满足设定的最低阈值，则采用基于浣熊优化神经网络的选网算法，具体的线上浣熊优化神经网络的选网模型构建过程包括：首先构建一个神经网络基本模型；然后在神经网络权重分配方案的寻优过程中引入浣熊优化算法，最后根据神经网络的输出值的大小，选出最优网络进行接入。

2.根据权利要求1所述的一种超密集异构无线网络中基于网络推荐的接入选择方法，其特征在于，所述步骤101首先根据浣熊优化神经网络算法得到历史选网中各用户对候选网络的综合值，从而建立用户相似评分矩阵，具体包括：根据历史行为数据中的接收信号强度、成本、带宽、负载率参数，代入浣熊优化神经网络模型得到历史数据中各候选网络的综合值，并以各候选网络的综合值作为用户对各网络的相似评分，把各用户对各网络的相似评分转化为相似评分矩阵S(m,n)，其中m代表用户，n代表网络。

3.根据权利要求2所述的一种超密集异构无线网络中基于网络推荐的接入选择方法，其特征在于，所述步骤101采用皮尔逊相关度的方法，得到用户之间的相似度评估，具体包括：通过相似评分矩阵找到相似用户，选择常用的皮尔逊相关系数来计算用户相似度，皮尔逊相关度评价是一种计算用户间相似关系的方法，通过皮尔逊相关度评价对用户进行分组，并推荐网络，皮尔逊相关系数的计算公式见公式(1)，其结果是一个在‑1与1之间的系数，该系数用来说明两个用户间联系的强弱程度：其中，Np,q为用户p和q都给予综合评分的网络集合， 为用户P在网络j上的得分， 为用户q在网络j上的得分。 表示用户p的平均得分， 表示用户q的平均得分。

4.根据权利要求3所述的一种超密集异构无线网络中基于网络推荐的接入选择方法，其特征在于，所述步骤101中，构建用户相似度表和候选推荐网络评分表，根据实时的用户选网需求确定对应的推荐网络，具体包括：首先根据公式(1)，把相关程度为极强相关的用户关系组保留，并得到用户相似度表，然后以相似用户的选网结果及用户体验评分作为候选推荐网络评分表；当用户移动到一个新的地点时，调用该区域所有相似用户的候选推荐网络评分表，采用在线反馈与评分机制选取用户体验评分最高的网络作为预接入网络。

5.根据权利要求4所述的一种超密集异构无线网络中基于网络推荐的接入选择方法，其特征在于，所述在线反馈与评分机制即用户对上一次接入网络的体验评分，用户体验评分 为用户i选择网络后，对接入网络j的驻留时间t、掉话率d、阻塞率z的总评分，具体公式如下：

用户体验评分需实时更新和修正存储在历史数据库中的候选推荐网络评分表。

6.根据权利要求1‑5任一项所述的一种超密集异构无线网络中基于网络推荐的接入选择方法，其特征在于，所述步骤102具体包括：构建一个人工神经网络模型；然后在神经网络权重分配方案的寻优过程中引入浣熊优化算法，最后根据神经网络的输出值的大小，选出最优网络进行接入，具体如下：

人工神经网络根据结构主要可以分为前向网络和反馈网络，本文采用三层前馈人工神经网络算法，属于前向神经网络的一种，具有较强的自适应性。该神经网络由三层构成，分别是输入层、隐藏层和输出层。输入层由接收信号强度、成本、带宽、负载率作为四个神经元，隐藏层设为六个节点，节点采用双曲正切S型传递函数；

人工神经网络的传递函数必须可微，于是使用sigmoid函数，且sigmoid函数比线性函数更精确，容错性更好。函数的表达式为：‑x

g(x)＝1/(1+e )                      (3)其中x的范围包含整个实数域，函数值在0～1之间。

隐藏层节点输出参数Gr为：

we,r为输入层节点Ue到隐藏层节点Gr之间的连接权重，输出层节点输出值H(e')为：其中E是指输入神经元的数量，g(x)表示传递函数，wr,e'为隐藏层节点Gr到输出层节点H(e')之间的连接权重。