1.一种基于机器学习的混合供电C-RAN的资源分配方法，其特征在于，首先确定BBU与RRH之间的映射关系，完成BBU处的资源分配，计算具有能量收集功能的RRH处能量到达率，根据RRH处能量到达率确定RRH的资源分配方法以及用户调度方法。

2.根据权利要求1所述的方法，其特征在于，BBU处资源分配过程为：若Lz＞ln，则根据判决式L＝min{ln+L1,ln+L2,…}确定最佳BBU与RRH映射关系，若Lz＜ln，则激活一个休眠BBU，使之与对应RRH映射。

3.根据权利要求1所述的方法，其特征在于，能量到达率计算过程为：RRH的能量到达率回归模型为函数v(t)，经过一系列数学变换，将能量到达率的一元非线性回归模型改写为二元线性回归模型函数v′(t)，采用均方误差e来量化实际值与预测值之间的误差，然后通过最小二乘法计算回归系数。

4.根据权利要求3所述的方法，其特征在于，误差最小化方法为：分别对b2，b1，b0求偏导，同时令偏导值为0，则回归系数最优解为 进而计算得到σ和μ。

5.根据权利要求1所述的方法，其特征在于，RRH资源调度过程为：量化用户QoS为Ok，并给出网络能耗表达式 得到优化目标ρt，然后采用基于行动者评论家框架的异步优势动作评价算法确定RRH资源分配方法以及用户调度方法。

6.根据权利要求5所述的方法，其特征在于，当前状态s的状态值线性近似函数为Vw(s)，状态s采取动作a获得的收益的线性近似函数为Qw(s,a)，对输出动作进行好坏评估，评估函数为优势函数A＝Qz(s,a；z)-Vw(s,w)，如果动作使得网络收益增加，那么调整行动网络使该动作出现的可能性增加，反之如果动作使得网络收益减少，则使该动作出现的可能性减少，通过反复的训练，不断调整网络找到最优的动作。