1.5G新空口中eMBB和URLLC混合业务资源分配方法，其特征在于按如下步骤：令小区中存在一个基站，Ke个eMBB用户和Ku个URLLC用户；eMBB采用slot进行传输，由数个OFDM符号组成；URLLC采用mini‑slot进行传输，由数个OFDM符号组成；将eMBB的slot划分成一组Kt个mini‑slot，表示为集合 采用打孔策略，即URLLC业务到达后，对正在传输的eMBB业务所在的物理资源块PRB进行打孔，插入URLLC数据后立即进行传输；在URLLC业务未到达时，eMBB业务采用比例公平调度算法进行PRB调度，即计算权重 其中rk,i(t)是PRBk上传输的eMBB用户i的数据传输速率，Ri(t)是用户i的过去一段时间内的平均传输速率；取max(ωk,i(t)),i＝1,...,Ke，将PRBk分配给用户i；

基于历史数据训练RBF神经网络，拟合解码概率函数；

解码概率函数表示为 其中，MCSi为eMBB用户i的调制编码格式，这个参数决定了传输块的长度TBSi以及调制方式； 是分配给eMBB用户i的PRB个数，来自于所述比例公平调度算法对各个eMBB用户进行PRB调度的结果； 是URLLC业务对eMBB用户i的打孔次数；

以影 响接 收端 解码 概率 的3 个变 量作 为R BF 神经网 络 的输 入，即通过高斯核函数将输入层数据变换到隐含层：式中，X为输入样本向量；cj为核函数中心向量， 是核函数方差，||X‑cj||为样本与中心的欧式距离，m是隐含层个数；

输出层设置为1层，将隐含层数据经过以下线性变换后得到输出函数： 其中，ωj是隐含层到输出层的连接权值，yi为eMBB用户i接收端收到传输块后的反馈，若接收端解码成功，则yi＝1，否则yi＝0。

2.如权利要求1所述5G新空口中eMBB和URLLC混合业务资源分配方法，其特征在于：所述的打孔策略为：取打孔导致的潜在吞吐量损失最小的eMBB用户进行打孔，具体过程描述如下：步骤1：对于各个mini‑slot做循环：For t＝1 to Kt；

步骤2：对于一个mini‑slot内的URLLC业务做循环：For m＝1 to λt；

步骤3：对于mini‑slot内共存的各个eMBB用户：For i＝1 to Ke步骤4：用RBF神经网络预测

步骤5：用RBF神经网络预测

步骤6：计算eMBB用户i由于URLLC用户m打孔导致的潜在吞吐量损失步骤7：eMBB用户循环结束：End of FOR i；

步骤8：更新打孔权重矩阵

步骤9：令

步骤10：对eMBB用户做循环：For j＝1 to Ke；

步骤11：若 对eMBB用户j打孔，

步骤12：eMBB用户循环结束：End of FOR j；

步骤13：mini‑slot内的URLLC业务循环结束：End of FOR m；

步骤14：mini‑slot循环结束：End of FOR t。

3.如权利要求1所述5G新空口中eMBB和URLLC混合业务资源分配方法，其特征在于：所述的打孔策略为：随机对eMBB用户进行打孔，不进行误码率预测。

4.如权利要求1所述5G新空口中eMBB和URLLC混合业务资源分配方法，其特征在于：所述的打孔策略为：当eMBB用户处于最后一次HARQ重传时，在此用户上进行打孔，其余情形按照最小潜在吞吐量损失原则进行eMBB用户打孔；具体过程如下：步骤1：对于各个mini‑slot做循环：For t＝1 to Kt；

步骤2：对于一个mini‑slot内的URLLC业务做循环：For m＝1 toλt；

步骤3：对于mini‑slot内共存的各个eMBB用户：For i＝1 to Ke步骤4：用RBF神经网络预测

步骤5：用RBF神经网络预测

步骤6：计算eMBB用户i由于URLLC用户m打孔导致的潜在吞吐量损失步骤7：eMBB用户循环结束：End of FOR i；

步骤8：更新打孔权重矩阵

步骤9：令

步骤10：对eMBB用户做循环：For j＝1 to Ke；

步骤11：若eMBB用户j为最后一次HARQ重传，则对eMBB用户j打孔， 转到步骤13，否则执行步骤12；

步骤12：若 对eMBB用户j打孔，

步骤13：eMBB用户循环结束：End of FOR j；

步骤14：mini‑slot内的URLLC业务循环结束：End of FOR m；

步骤15：mini‑slot循环结束：End of FOR t。