1.一种超密集网络中基于混合聚类的资源分配方法，其特征在于，包括：构建超密集网络，该超密集网络为两层异构蜂窝下行超密集网络，即在网络中含有一个中心宏蜂窝基站和多个微蜂窝基站；

S1：基站、用户按照HPPP随机分布，获取网络中的数据，该数据包括基站的位置、基站的最大发射功率以及用户的位置；

S2：采用Canopy算法与K‑means算法对微基站分簇；

S3：对聚类后的每个簇中的用户构建干扰图，根据干扰图采用染色算法对用户进行分组；

S4：对每组中的用户采用贪婪算法分配子信道；

S5：采用注水算法对每组中的用户进行功率分配。

2.根据权利要求1所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，采用Canopy算法与K‑means算法对微基站分簇的过程包括：S21：设置微基站距离阈值T1和T2，其中T1＞T2；

S22：从微基站集合 中选取一点f，将f作为第一个类，并将该类作为Canopy；

S23：从集合 中随机抽取点p，计算p到已经产生的所有Canopy的距离，若该点到Canopy的距离小于T1，将p加入到该Canopy，若该点到Canopy的距离大于T1，则将p作为一个新Canopy；

S24：计算点f到新Canopy的距离，若距离小于T2，则将点f从集合 中删除，否则重新在集合 选取点；

S25：对集合 中的点重复上述S23、S24步骤直到集合 为空，得到k值，以及大致的k个初始中心集C＝{1，…，ck，…，CK}；

S26：根据k个初始中心集采用K‑means算法对微基站分簇。

3.根据权利要求2所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，采用K‑means算法对微基站分簇的过程包括：S261：根据Canopy的聚类结果确定k值和聚类中心集C；

S262：用 计算所有样本到k个质心的距离，并将其分配到距离最近的簇内；其中，f表示集合 中的点，ck表示第k个初始聚类中心；

S263：用 计算簇的新中心，将计算的均值作为新的聚类中心；nk表示簇的数目，k表示簇的序号，K表示簇的最大序号；

S264：重复上述步骤S262、S263，直至聚类中心不再变化。

4.根据权利要求1所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，根据干扰图采用染色算法对用户进行分组的过程包括：S31：在一个FBS簇中用 表示用户i1的干扰程度，计算每个用户的干扰程度：其中，FBS表示微基站；

其中， 表示用户i1接收的干扰信号功率之和， 表示用户i1接收的有用信号功率；

S32：计算用户 与用户 之间的干扰程度

S33：根据干扰程度采用矩阵E描述FBS簇中任意两个UE之间的干扰程度权值，即：其中，Eth表示同一个微基站内的UE之间的干扰权值；

S34：设置干扰阈值T3，若E(i1，i2)≥T3，则用户i1与用户i2之间存在干扰；若E(i1，i2)＜T3，则用户i1与用户i2之间不存在干扰；

S35：将一个簇中的所有用户作为顶点放入集合V中，从集合V中随机选取一个顶点v，并放入开始为空的集合α中，即：α＝{v}；

S36：构建候选集β＝V\α，即将集合V中的元素除集合α中的元素之外的其他元素存储到候选集β中；

S37：当集合α中用户的权重和小于Eth时，从候选集β中选出顶点v′，该顶点可以最小化用户簇内的干扰权重，候选用户簇变成α＝α∪{v′}，重复S35～S36；

S38：当α中所有的顶点从V中移除时，将α中的顶点提取出来作为一个用户簇，重复S35～S37，直到V为空集，用户分组结束。

5.根据权利要求1所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，采用贪婪算法分配子信道的过程包括：S41：按照用户组中网关单元GU包含的子信道数量对用户组进行降序排序；

S42：计算GU'l在每个子信道的通信速率，选出通信速率符合服务质量的所有子信道；

S43：计算GU'l在所选子信道上的信干燥比，找到最好的子信道；

S44：判断步骤S42中GU'l的最优子信道是否被其他GU占用，若没有占用则将该子信道分配给GU'l，并将该子信道从信道集合L中移除；若被占用，则在剩余可用子信道找到一个次优的子信道分配给GU'l，并将该子信道从集合L中移除；

S45：重复上述步骤S42～S44，直到子信道集合L为空。

6.根据权利要求5所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，计算GU'l在所选子信道上的信干燥比的公式为：其中， 表示微基站集合，Uf,i表示微基站i服务的用户， 表示微基站i通过子信道l给2

用户分配的功率， 表示子信道l上微基站i对其服务用户n的信道增益，δ表示加性高斯白噪声的方差。

7.根据权利要求1所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，采用注水算法对每组中的用户进行功率分配的过程包括：S51：确定各用户分配各自的子信道的功率分配目标函数和约束条件；

S52：根据KKT定理，得到拉格朗日函数；其表达式为：其中，p表示功率分配向量，α表示拉格朗日常数乘子，β表示拉格朗日常数乘子， 表示微基站集合，Uf表示微基站用户集合，L表示子信道集合，W表示每个子信道的带宽， 表示用户n在子信道l从微基站i收到的信号的信干燥比，pf表示FBS的最大发射功率， 表示微基站i在子信道l的发射功率；

S53：对拉格拉格朗日函数的功率求偏导，得到用户n接收从微基站i在子信道l的发射功率 其表达式为：+

其中， 表示用户n在子信道l从微基站i收到的增益干燥比；[.] 表示将符号中的数与0比较，若大于0，则输出该数，否则选0； 表示子信道l上微基站i对其服务用户n的信2

道增益，Uf,i表示微基站i服务的用户， 表示微基站j在子信道l的发射功率，δ表示加性高斯白噪声的方差；

S54：将 作为注水算法的注水线，根据注水线求得每个用户分配的功率。

8.根据权利要求7所述的一种超密集网络中基于混合聚类的资源分配方法，其特征在于，功率分配目标函数和约束条件为：其中，Rtotal表示网络总的吞吐量，C1表示被分配的功率不能是负值，C2表示分配给所有用户的功率总和不能超过当前基站的负荷， 表示表示微基站i在子信道l的发射功率，pf表示FBS的最大发射功率。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至8中任一项超密集网络中基于混合聚类的资源分配方法。

10.一种超密集网络中基于混合聚类的资源分配装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种超密集网络中基于混合聚类的资源分配装置执行权利要求1至8中任一项超密集网络中基于混合聚类的资源分配方法。