1.基于队列学习和超分辨率的超高清视频传输系统，其特征在于，包括边缘代理节点；

所述边缘代理节点包括自适应决策智能体、视频超分辨率VSR处理器和下载缓存队列；

所述VSR处理器用于对源端传输来的视频分辨率进行重建；

所述下载缓存队列用于缓存从源端传输来的视频块；

所述自适应决策智能体用于监控网络状态信息、客户端播放缓存队列信息以及所述下载缓存队列信息，并根据监控到的信息对源端视频分辨率和所述VSR处理器重建的视频分辨率进行自适应调节，输出自适应视频分辨率决策到源端，以使源端根据接收的自适应视频分辨率决策发送对应分辨率的视频块；

基于所述超高清视频传输系统的传输方法，包括：

建立基于队列学习的自适应传输优化模型，具体为：

构建下载缓存队列模型B1(t)；B1(t)为下载缓存队列在时隙t开始时的队列中视频的播放时长；

构建播放缓存队列模型B2(t)；B2(t)为播放缓存队列在时隙t开始时队列内的播放时长；

构建VSR处理模型N(t)；N(t)为边缘代理节点实现线速VSR所需要的CPU核数构建信道模型C(t)；C(t)为时隙t用户的无线传输速率；

建立优化模型：

s.t.P(N′(t)＜N(t))≤ε1

P(B2(t)＜Bbound)≤ε2；

其中，QPSNR为视频质量，Tre为中断造成的重缓冲时间，Dswitch为分辨率切换造成的抖动，λ1和λ2为权重因子，N′(t)为时隙t的边缘代理节点上可用CPU核数，ε1为约束的概率约束阈值，QoE为单个用户的体验质量，Bbound为播放缓存队列播放视频时长的最低阈值，ε2为约束的违反概率；

采用深度强化学习方法对所述自适应传输优化模型进行求解，对源端视频分辨率和VSR处理器重建的视频分辨率进行决策。

2.根据权利要求1所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，所述VSR处理器能够执行基于深度强化学习的VSR算法。

3.根据权利要求1所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，所述源端为DASH服务器端，支持多种分辨率视频格式。

4.根据权利要求1所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，所述客户端包括DASH播放器；

所述DASH播放器中维护一个状态可读的播放缓存队列。

5.根据权利要求1所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，采用深度强化学习方法对所述自适应传输优化模型进行求解，具体包括：构建深度神经网络模型并进行模型训练；

将采集的实时状态信息输入到训练好的模型中，输出最优控制策略。

6.根据权利要求5所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，构建的深度神经网络模型具体为：其中，α是学习速率，γ是奖励折扣率，Q(st，at)是对于给定的状态st，采取动作at后得到的动作价值函数， 表示在状态st+1下选择动作at+1后得到的最大值函数，st为时隙t时系统状态，at为时隙t的行动向量，rt为奖励函数；

利用深度神经网络Q(st，at；θ)来替代Q(st，at)；其中，θ为Q网络的参数；

采用DQN算法对深度神经网络Q(st，at；θ)进行训练。

7.根据权利要求6所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，所述系统状态可表示为：st＝{B1(t)，B2(t)，N′(t)，N(t)，C(t)}B1(t)为时隙t开始时下载缓存队列视频时长，B2(t)为时隙t开始时播放缓存队列视频时长，N′(t)为时隙t开始时边缘代理节点上的可用CPU核数，N(t)为时隙t开始时VSR线速处理所需要的CPU核数，C(t)为时隙t开始时的无线传输速率；

所述行动向量可表示为：

at＝{L(t)，L′(t)}

L(t)为时隙t时源端传输的视频分辨率，L′(t)为时隙t时VSR处理器重建的视频分辨率；

奖励函数可表示为：

rt＝QoEt‑β1I1(t)‑β2I2(t)

其中，β1和β2是权重因子，QoEt为时隙t时单个用户的体验质量；

8.根据权利要求5所述的基于队列学习和超分辨率的超高清视频传输系统，其特征在于，输出的最优控制策略包括源端传输的视频分辨率和VSR处理器重建的视频分辨率。