1.基于5G通信网络的自适应人脸识别与验证方法，其特征在于，包括以下步骤：S100：通过移动通信设备采集人脸图像数据，构建动态人脸网络模型，将人脸图像数据输入所述动态人脸网络模型中，并输出类别标签；所述动态人脸网络模型包括：自适应特征提取层、动态权重调整层、多维度优化输出层、全连接层和归一化层；自适应特征提取层基于人脸特征分布提取人脸特征，特征提取的具体实现公式为：其中，F(x)是特征值；wi是权重；xi是输入特征；b是偏置项；n是特征数量，i∈[1,n]；β和γ是可学习的参数；δ是平方项的系数；

动态权重调整层采用基于梯度的权重调整机制，并引入动态调整项，调整所述自适应特征提取层提取的人脸特征的权重，具体实现公式为：其中，wnew是调整后的权重；wold是调整前的权重；α是学习率； 是损失函数的梯度；L是损失函数；λ是正则化参数；η是动态调整系数；Fj是第j个特征值；m是特征数量；

多维度优化输出层引入基于阈值的输出优化机制，并结合两个及以上输入和权重矩阵，通过非线性激活函数和二次项来优化输出，具体实现公式为：yj＝σ(wnew,jFj+b)·ReLU(wnew,jσ(wnew,jFj+b)+c)+ξ·(wnew,jReLU(wnew,jσ(wnew,jFj+b)+c)2

)

其中，yj是多维度优化输出层的第j个输出；σ是激活函数；wnew,j是第j个特征调整后的权重；ReLU是线性整流函数；b和c是偏置项；ξ是平方项的系数；

通过全连接层得到当前人脸图像在不同分类下的初始得分，全连接层的计算公式为：其中，Zk是基于当前人脸图像的所有特征得到的在第k个分类下的得分； 是第k个类别的权重；bk是第k个类别的偏置；

通过归一化层计算当前人脸图像对每个类别的预测概率，根据所述预测概率划分当前人脸图像的类别，具体计算公式为：其中，Y是当前人脸图像最终划分的类别；a是正则化系数； 是正则项；τ是平滑系数；

S200：引入基于复杂网络模型的拓扑结构和混沌动力学的数据压缩算法，构建复杂网络模型和复杂网络混沌编码函数，定义基于洛伦兹吸引子动力学方程的混沌映射函数；引入了复杂网络模型的拓扑结构和权重矩阵，定义复杂网络混沌编码函数E为：U＝E(X；Θ,W,b)＝Φ(ΘX+b)⊙W

其中，X是人脸图像数据；Θ是复杂网络混沌编码的参数矩阵；b是偏置向量；W是复杂网络的权重矩阵；⊙表示哈达玛积；Φ是混沌映射函数；

采用优化算法求解复杂网络混沌编码的参数矩阵和权重矩阵，并优化损失函数，损失函数L定义为：其中， 是通过复杂网络混沌编码函数E得到的编码后的数据；和ω是正则化参数；

表示Θ的弗罗贝尼乌斯范数的平方；

S300：引入基于多维空间拓扑和自适应频谱分配的传输优化协议，构建多维空间拓扑模型，多维空间拓扑模型为：其中，T(s,f)是多维空间拓扑模型；s是网络的状态变量；f是数据流量；M是网络状态的数量；Q是数据流量的数量；αuv是状态变量su和数据流量fv的交互作用系数，u∈[1,M]，v∈[1,Q]；ε和∈是权重系数；

根据多维空间拓扑模型的输出结果，提出自适应频谱分配方法，实时调整频谱资源的分配；引入频谱资源分配参数，定义频谱资源分配矩阵，所述频谱资源分配矩阵受到用户的频谱资源上限的约束；

定义优化目标函数为：

其中，O(R)是优化目标函数；λ和μ是权重系数；ruv是在自适应频谱分配过程中，第u个状态到第v个状态之间分配的频谱资源量；Cv和Du分别是第v个状态和第u个状态的频谱资源上限；并最大化所述优化目标函数。

2.根据权利要求1所述的基于5G通信网络的自适应人脸识别与验证方法，其特征在于，所述S300，具体包括：构建多维空间拓扑模型，引入网络状态变量和数据流量参数；所述多维空间拓扑模型根据网络的实时状态和数据流量动态调整网络资源。