1.一种基于迟滞噪声混沌神经网络的基站休眠方法，其特征在于，包括步骤：(1)搭建异构蜂窝网络系统模型

异构蜂窝网络系统模型由宏基站与微基站构成，默认宏基站一直工作在活动状态，且用户优先与微基站连接，则异构蜂窝网络系统模型的能效仅与微基站有关；将异构蜂窝网络系统模型中所有微基站的能效函数定义为：其中微基站数量为N个，用户数量为M个；Ri,m表示用户um从微基站Bi获取的每个资源块的数据速率；RBi,m表示用户um与微基站Bi关联时所需的资源块数；xi,m表示um是否与Bi相关联的二进制指示变量；pi表示微基站的动态功耗和微基站分配给其用户的资源块的数量的比例系数；RBi表示由微基站Bi分配的资源块总数；δ表示微基站Bi的静态功率与其在活动状M态下的最大工作功率之比；P表示微基站Bi的额定最大工作功率；φ表示微基站Bi是否休眠对功耗的影响；

异构蜂窝网络系统模型中所有微基站的能效函数的约束条件为：约束C1表示每个微基站在其分配的资源块上的总实际发射功率不能超过上限，其中maxP 表示基站的额定发射功率；

max

约束C2确保了微基站的业务量没有达到饱和，其中RB 表示微基站的额定发射功率，β表示可由微基站分配的资源块的比例；

约束C3是为了保证每个用户的接收信号功率强度，其中PRm表示每个用户接收的信号功率强度；

约束C4确保每个用户接收到的干扰在允许范围内；

约束C5表示一个用户只能同时与一个微基站关联；

(2)搭建迟滞噪声混沌神经网络模型，并且初始化参数设置；

所述参数包括：神经元激活函数的斜率参数λ、神经膜阻尼因子k、神经元之间的耦合因子α、自反馈连接权值z、正参数I0、噪声幅值A、均匀分布在[‑A,A]范围内的随机噪声n(t)、以及z和A的模拟退火速度β1和β2；

该迟滞噪声混沌神经网络模型的数学表达式如下：

z(t+1)＝(1‑β1)z(t)                       (5)A[n(t+1)]＝(1‑β2)A[n(t)]                     (6)迟滞噪声混沌神经网络模型的能量函数定义为

其中，xi(t)和yi(t)分别表示神经元i在t时刻的输出和输入，wij表示神经元i到神经元j的连接权重，Ii表示神经元i的外部输入偏置；

该能量函数为单调下降的，且能量具有有界性的特征，所以该迟滞噪声混沌神经网络模型具有收敛性和稳定性；

(3)将异构网络系统模型中微基站的能效函数以及能效函数的约束条件代入迟滞噪声混沌神经网络模型的能量函数中，具体能量函数如下：约束条件C1定义能量E1：

约束条件C2定义能量E2：

约束条件C3定义能量E3：

2

E3＝(Puser‑min‑PRm) ；

约束条件C4定义能量E4：

2

E4＝(γmin‑SNRi,m) ；

约束条件C5定义能量E5：

能效函数的目标约束表示：

综合以上分析，迟滞噪声混沌神经网络模型的总能量函数为E＝Q×(E1+E2+E3+E4+E5)+D×Et                (10)式(10)中参数Q、D是待定参数，其作用是调节各个能量占总能量的比例；迟滞噪声混沌神经网络模型的动力方程式表示为当迟滞噪声混沌神经网络模型的总能量函数E收敛后，微基站分配满足约束条件，同时异构蜂窝网络系统模型的能效达到最小；

(4)计算初始化参数后,迟滞噪声混沌神经网络模型的输出；当t＝0时，生成随机噪声n(0)，随机生成迟滞噪声混沌神经网络模型的输入信号y(0)，ξ(0)＝0，将y(0)、ξ(0)代入式(3)求得x(0)，通过式(11)求取迟滞噪声混沌神经网络模型的动力方程再将动力方程的结果以及y(0)、x(0)、ξ(0)代入式(4)中求得y(1)，最后由式(5)、式(6)更新噪声幅值A和自反馈权重z；

(5)t＝1时，生成随机噪声n(1)、ξ(1)，将y(1)、ξ(1)代入式(3)求得x(1)，通过式(11)求取动力方程 再将动力方程结果以及y(1)、x(1)、ξ(1)代入式(4)中求得y(2)，最后由式(5)、式(6)更新噪声幅值A和自反馈权重z；

(6)t＝t+1时，生成随机噪声n(t+1)，将y(t)、y(t‑1)、n(t)代入式(7)求出新的中心参数ξ(t+1)，代入式(3)求得x(t+1)，并利用式(11)求取 来更新能量值E，再将结果代入到式(4)中求得y(t+2)，最后由式(5)、式(6)更新噪声幅值A和自反馈权重z；

(7)如果步骤(6)中的能量函数没有收敛，重复步骤(6)；如果已收敛，输出结果完成休眠微基站分配。