1.一种基于深度学习的多载波认知NOMA资源分配方法，其特征在于，包括以下步骤：步骤1：建立多载波认知NOMA系统场景模型：将单载波认知NOMA系统和基于多载波正交频分复用调制方式的NOMA系统结合；

步骤2：建立基于深度学习的用户调度和资源分配的数学描述；

基于多载波认知NOMA的下行用户调度和资源分配，建立符合场景的频谱共享策略，建立优化目标和约束条件的数学表达式；

步骤3：基于联合分配的深度神经网络和深度学习算法，建立多载波认知NOMA用户调度和资源分配策略。

2.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法，其特征在于，步骤1具体包括以下步骤：

(101)、根据单载波认知NOMA系统的功率分配机制，在单载波认知NOMA中共享信道的远距离用户信道容量和近距离用户信道容量分别表示为：其中 为距离基站远的用户m的信道容量； 为距离基站近的用户n的信道容量；pm和pn分别为基站分配给用户m和用户n的发送功率；hm和hn分别为用户m和用户n的信道增益；

B为用户m和用户n所共享的频谱带宽；N0为信道中单位带宽上的噪声功率；

(102)、划分NOMA主用户和从用户：令距离基站远或者下行链路信道质量差的用户划分为NOMA主用户，距离基站近或下行链路信道质量好的用户划分为NOMA从用户；

(103)、引入多载波接入机制，在多载波下认知NOMA系统中，NOMA主用户和从用户的信道容量重新表示为公式(3)和(4)；

其中 为NOMA主用户i在所有子信道上的容量之和；Zi为主用户i所占用的子信道总数；hi,z为主用户i在子信道z上的信道增益；pi,z为基站为主用户i在子信道z上所分配的发送功率； 为NOMA从用户j在所有子信道上的容量之和；Zj为从用户j所占用的子信道总数；hj,z为从用户j在子信道z上的信道增益；pj,z为基站为从用户j在子信道z上所分配的发送功率；

NOMA主用户的数量为M，NOMA从用户的数量为S，Δf为各条子信道的带宽，N0为单位带宽上的噪声功率；i＝1,2…M,j＝1,2…S；

(104)、将频谱的利用率和用户的传输性能联合作为划分目标，划分NOMA主用户和NOMA从用户数量；

(105)、根据多载波认知NOMA系统的用户配对和资源分配策略的优化目标和约束，将基站所需要发送的总功率最小化作为资源分配的优化目标。

3.根据权利要求2所述的一种基于深度学习的多载波认知NOMA资源分配方法，其特征在于，步骤(105)所述的资源分配的优化目标包括：

(a)以最小化NOMA用户所需要的子信道总数为用户配对目标；

(b)以最小化基站所需要发送的总功率为用户资源分配目标；

(c)以满足用户的信干噪比需求为约束条件；

(d)以满足用户的信道容量需求为约束条件。

4.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法，其特征在于，步骤2具体包括以下步骤：

(201)、通过消息传递算法，将带有约束条件的最小和问题分解为多个代价函数的线性组合，建立代价函数和分配因子组成的因子图；带有双约束的最小和优化问题通过消息传递算法转化后，问题模型中共有Z个信道，N个用户；

其中，第z个信道的代价函数为Cz，z＝1,2,...,Z，第j个用户的代价函数为Wj,j＝1,

2,...,N，分别为式(5)和(6)；

其中，C1、C2分别表示NOMA用户所需要的子信道总数约束条件和基站所需要发送的总功率约束条件；Gj,z(xj,z)表示信道z对用户j的发射功率增益；xj,z表示第z个信道对用户j的信道分配因子；

(202)、迭代计算分配因子和代价函数间的消息变量：基于因子图和消息传递算法，因子间消息的迭代计算如下：其中→表示消息传递的方向， 表示由代价函数节点Cz向变量节点xj,z传递的第t+

1次迭代的消息，xj,z表示第z个信道对用户j的信道分配因子， 表示由变量节点xl,z向代价函数节点Cz传递的第t次迭代的消息，xl,z表示第z个信道对用户l的信道分配因子,l＝

1,2,...,N， 表示由代价函数节点Wj向变量节点xj,z传递的第t+1次迭代的消息，表示由变量节点xj,f向代价函数节点Wj传递的第t+1次迭代的消息，xj,f表示第f个信道对用户j的信道分配因子，f＝1,2,...,Z， 表示第t+1次迭代计算之后，分配因子xj,z的结果， 表示第t+1次迭代后信道z对用户j的边际消息；

(203)、通过对迭代消息的计算引入不同的衰落参数，使消息传递算法得到收敛的计算结果；基于传统的消息传递算法，通过迭代消息归一化，将基于衰落参数的消息传递因子简化；

(204)、带有衰落因子加权的归一化消息迭代计算表达为公式(11)、(12)和(13)：其中， 分别表示信道z传递给用户j的第t次和t+1次迭代的归一化消息，Gj,z表示归一化的信道z对用户j的发射功率增益， 表示信道f传递给用户j的第t次迭代的衰落因子， 表示信道f传递给用户j的第t次迭代的归一化消息，Gj,f表示归一化的信道f对用户j的发射功率增益， 表示信道z传递给用户j的第t次迭代的衰落因子， 表示用户j传递给信道z的第t+1次迭代的归一化消息， 表示用户l传递给信道z的第t次迭代的衰落因子。

5.根据权利要求1所述的一种基于深度学习的多载波认知NOMA资源分配方法，其特征在于，步骤3具体步骤如下：

(301)将每一次的消息迭代过程展开，得到全连接深度神经网络；

(302)通过学习最佳的衰落参数，训练出适用于当前场景和用户需求的深度神经网络，得到最优的资源分配结果。

6.根据权利要求2所述的一种基于深度学习的多载波认知NOMA资源分配方法，其特征在于，在多载波认知NOMA系统中，各用户所需要的子信道数量根据用户的传输速率和信干噪比要求进行调整。