1.一种面向无人机应急网络部署的城市分类方法，其特征在于，包括以下步骤：步骤1，建立城市分类标准；具体方式为：

步骤101，确定城市灾区中影响无人机应急网络部署的影响因素；

步骤102，根据影响因素确定城市分类的指标依据；

步骤103，建立城市环境布局，并对步骤102中的指标依据进行表示；

步骤104，根据城市分类的指标依据建立城市分类标准；

步骤2，根据步骤1得到的城市分类标准，建立城市数据集，并将城市数据集分为训练集和测试集；

步骤3，建立分类模型，采用步骤2中的训练集对分类模型进行训练，并用测试集进行测试，得到训练好的分类模型；

步骤4，采用训练好的分类模型对城市进行分类，得到分类结果；

所述影响因素包括建筑物的密度以及建筑物的高度；所述指标依据包括建筑密度和容积率，其中，建筑密度为城市内所有建筑物的基底面积总和与该城市所占用地总面积之比，用于表征该城市中建筑物的密度，容积率为城市中地上总的建筑面积与城市总面积之比，用于表征该城市中建筑物的高度；

所述城市分类标准为：建筑密度在0.2‑0.4之间的为标准城市，建筑密度在0.4‑0.5之间的为密集城市，容积率在1.5‑3.5之间的为低层建筑城市，容积率在3.5‑6.0之间的为高层建筑城市；从而将城市分为四类：低层标准城市、高层标准城市、低层密集城市和高层密集城市；

所述城市数据集为随机生成，城市数据不少于200组，每组城市数据中，建筑密度为

0.2‑0.5，容积率为1.5‑6.0；

所述步骤3的具体方式为：

步骤301，确定影响分类模型分类准确率的模型参数，所述分类模型为基于麻雀搜索算法的支持向量机；

步骤302，初始化模型参数，设置最大迭代次数，并定义用于计算分类准确率的效用函数；

步骤303，采用位置更新方程更新模型参数，得到能够带来最优分类准确率的模型参数；

步骤304，重复步骤303，直到分类准确率不再变化或者达到设定的最大迭代次数，得到训练好的分类模型；

所述步骤301中，模型参数为惩戒系数C和核函数参数gamma，所述核函数为RBF函数，gamma用于表征RBF函数的宽度；

所述步骤302中定义的效用函数为：

其中，Acc为分类准确率，c表示测试集中分类正确的城市个数，m表示测试集中城市的总个数；

所述步骤303的具体方式为：

(1)建立由n只麻雀组成的种群矩阵：

其中，n为麻雀的数量，X中的一行即为一个麻雀，由d个模型参数组成，d表示待优化问题的维数，即模型参数的个数；

(2)在X中设定表示探索者的行和表示追随者的行，并设定意识到危险的麻雀的比重，比重的取值范围为[0,1]；

(3)对X进行迭代更新，其中，

X中探索者行的更新方式为：

其中，i表示被更新的探索者行在X中的行号， 为X中的第i行；t和t+1为用于表示迭代次数的上标，t的取值为正整数，itermax表示最大迭代次数；α∈(0,1]为一个随机t数；Q是服从正态分布的随机数，L为元素都是1的行矩阵，且L的列数为d；R ∈[0,1]为第t次迭代时随机生成的预警值，ST∈[0.5,1]表示安全值；

X中追随者行的更新方式为：

其中，j表示被更新的追随者行在X中的行号， 为X中的第j行； 表示第t+1次迭代后探索者中具有最优分类准确率的行； 表示第t次迭代后X中具有最差分类准确+ T T ‑1率的行；A表示一个大小为1×d的行矩阵，A中每个元素均随机取值1或‑1，A＝A(AA) ；

每次迭代时，根据比重从X中随机选取一行或多行作为意识到危险的麻雀，这些行的更新方式为：其中，k表示被更新行在X中的行号， 为X中的第k行， 表示第t次迭代后X中具有最优分类准确率的行；β为服从正态分布的步长控制因子；K∈[‑1,1]是一个随机数；ε为一个用于避免分母为0的常数，ε<1； 是第t次迭代后X中第k行模型参数对应的分类准确率， 是第t次迭代后X中各行模型参数的最优分类准确率， 表示第t次迭代后X中各行模型参数的最差分类准确率。