1.一种超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，包括以下步骤：

101、信号强度预测：收集网络中各个基站的历史参数，对收集到的历史参数进行包括异常数据处理、数据归一化、数据清洗步骤在内的预处理，然后输入LSTM神经网络模型进行训练，最后使用训练好的模型预测RSSI；

102、终端接入偏好计算：首先根据终端上行数据率、下行数据率划分业务类型，然后把终端运动速度和终端业务类型输入支持向量机SVM模型，计算得到终端接入偏好；

103、自适应切换判决方法：根据步骤101预测的RSSI判断是否触发切换，触发后根据步骤102中得到的终端接入偏好；综合考虑终端接入偏好和候选网络的数据传输率、网络拥塞度、网络费用，构建效用函数计算候选网络的综合效益值；最后，终端从候选网络集中选择出综合得分最高的网络作为切换目标网络；

所述步骤102中计算终端接入偏好分为以下步骤：

(1)构建SVM的特征矩阵：

首先选取终端的运动状态和业务类型作为分类特征，每个分类特征向量由终端的运动状态和业务类型表示，即其中 表示训练集中第i2条数据中终端的速度特征； 表示训练集中第i2条数据中终端的业务类型特征；

整个训练集的特征矩阵由多个上述特征向量构成，可以写成：其中，P表示由训练集的特征向量组成的特征矩阵；M表示训练集中数据的总量； 表示训练集中第i条数据的特征向量；

网络环境中每种无线接入技术RAT对应一个分类的类别，每个样本被划入不同类别的概率对应终端接入RAT的偏好；

(2)构建SVM的分类结果标签：

标签用于表示分类结果，即终端接入的接入点类型，写为：T

l＝[q1,q2,...,qM]    (7)

因此，输入SVM的训练数据集合表示为

D＝{(p1,q1),(p2,q2),...,(pM,qM)}    (8)其中， 表示训练集中第i2条数据的特征向量； 表示该特征向量对应的类型，称为标记；M为训练集中的总样本数，满足M＝|D|；

(3)改进为SVM多分类器：

把传统的SVM分类器改进为SVM多分类，采用一对余类OVR方法构造多分类器，将每个类的所有样本其为正类，其余所有类的样本为负类去构造二分类器SVM，其求解过程是求解M个包含3个变量的二次规划问题，具体计算过程为：其中，下标i2∈{1,2,...,M}，表示样本的索引；上标j2∈{1,2,3}，表示类型的索引；

表示超平面；φ表示非线性映射；ξ表示非负松弛变量；K表示惩罚系数(K>0)，且K值越大惩罚越大；

所述步骤102自适应切换判决方法需要计算下列网络侧参数：(1)计算网络信噪比：

信噪比近似为接收信号强度和网络环境中干扰信号强度的比值，表示为：其中，CNS表示候选网络集；j1表示CNS中候选网络的下标；SNRi,j表示终端i在网络j中的信噪比； 表示发射功率；γi,j表示信道增益；Ii,j表示高斯白噪声； 表示受其他基站干扰总和；

(2)计算网络误码率：

误码率是衡量信道在规定时间内数据传输精确性的重要指标，公式为：(3)计算最大数据传输率：

根据香农公式，终端在网络中可以获得的数据传输率表示为：Bi,j＝Zi,j·BWj·log2(1+SNRi,j)    (12)其中，Zi,j表示终端i从网络j中获取的资源块的块数，BWj表示网络j中每个资源块的带宽；

(4)计算网络拥塞度：

网络的拥塞程度可以由接入网络的终端数量和已分配的资源块表示，根据网络拥塞度的定义，表示为：其中，Rj表示网络j中资源块的总数,u表示接入网络j的所用终端的数量；

(5)计算网络成本：

δj表示网络j中单位资源块的定价，则终端接入网络的成本可以表示为θi,j＝Zi,j·δj    (14)；

所述步骤103中，用最大最小值归一化方法，对所有选网参数进行归一化处理；

综合考虑终端接入偏好、业务类型以及上述的各项网络参数，网络综合效益值计算公式如下：Ei,j＝[λ·(BERi,j+NCj)+(1‑λ)·(Bi,j+θi,j)]·(1+TAPi,j)    (15)Ei,j表示用于计算终端接入网络综合效益值的效用函数；λ表示网络参数的权重，TAPi,j表示终端i在当前运动状态和业务类型下接入j网络的偏好值；

选择目标网络时，将综合效益值作为用户评价网络的满意程度指标，选择满意度值最大的网络作为用户接入的目标网络；

对CNS中全部候选网络计算网络综合效益值，可以得到终端的CNS的综合效益集合，表示为：E′i＝{Ei,1,Ei,2,...,Ei,m}    (16)其中，k∈{1,2,...,m}，表示目标网络下标；m满足m＝|CNS|，表示候选网络集中所有网络数量；

最后，在切换决策时，选择综合效益值最高的网络作为切换的目标网络，其中满足以下公式：Ei,k＝max(E′i)     (16)。

2.根据权利要求1所述的超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，所述步骤101获取网络中的历史参数数据，具体包括：收集t时刻的信道参数，包括接收信号强度指示RSSI，参考接收信号功率RSRP和参考接收信号质量RSRQ，用矩阵形式可以表示为：xt＝[RSSIt,RSRPt,RSRQt]      (1)输入多个历史时刻的特征向量，挖掘出RSSI时序上的变化规律，把多个时刻的特征向量组合成一个包含多个时刻时序信息的特征矩阵，再把特征矩阵中的向量分别输入相连的神经网络单元进行处理，时间步长设置为3秒。

3.根据权利要求2所述的超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，所述输入LSTM神经网络模型进行训练，具体包括：特征矩阵表示收集到的所有特征参数，可以表示为：

LSTM将各时刻中隐藏层的输出存储在记忆细胞中，然后通过门控机制决定如何保留或更新这些记忆中的信息，ft，gt，ot分别表示t时刻隐藏层内部的遗忘门，输入门，输出门；

sigmoid表示sigmoid激活函数，经过此激活函数后得到的输出值在[0,1]范围内，可以用激活后的值表示各个门的开闭情况；ct表示t时刻的记忆细胞；c′t表示t时刻的新增记忆；ht‑1表示上一时刻输出的隐状态；则神经网络的输出可以表示为：

4.根据权利要求3所述的超密集异构无线网络中感知终端接入偏好的切换判决方法，其特征在于，所述步骤101采用梯度下降方法训练模型，根据多元微分链式求导法则，LSTM中各参数的权值矩阵更新为：其中η表示学习率，学习率过低会导致训练速度太慢，学习率过高会导致训练过程振荡，使得模型难以收敛。