1.一种基于智能超表面的去蜂窝网络能效优化方法，其特征在于：包括，部署传感器收集去蜂窝网络和信道数据并预处理后存储至数据库中；

基于数据库数据构建去蜂窝网络模型；

定义去蜂窝网络智能超表面配置，基于粒子群优化算法进行智能超表面配置优化；

基于智能超表面配置进行去蜂窝网络能效优化；

所述部署传感器收集去蜂窝网络和信道数据并预处理指在去蜂窝网络设备上部署loT传感器收集去蜂窝网络数据和信道数据通过无线网络定期发送至数据处理中心，部署loT传感器后对传感器覆盖范围进行验证，对收集的数据进行清洗过滤、删除重复值、填补缺失值并转换为统一格式，使用特征工程提取预处理数据的特征向量；

所述存储至数据库中指数据处理中心在预处理数据后将数据存储在数据库中，并对存储数据添加安全访问权限和访问密码，数据库对存储数据进行备份并将备份数据存储至云端，同时定期对存储数据进行完整性检测生成检测报告同步存储；

所述基于数据库数据构建去蜂窝网络模型包括以下步骤：使用预处理后的数据构建图结构，将去蜂窝网络中实体作为节点，实体间连接作为边，去蜂窝网络模型公式表示为：其中G为去蜂窝网络模型输出，N为节点总数，μ和σ为特征向量的平均值和标准差，f(xi，W)为信息过滤函数，W为模型参数，N(i)表示节点i的邻居节点集合，xi和xj分别代表节点i和j的特征向量，di和dj分别代表节点i和j连接的边数，b为偏置项，ReLU为非线性激活函数；

构建去蜂窝网络模型后对模型参数进行初始化，从均值为0，标准差为0.01的正态分布中随机抽取数值作为模型参数W和偏置项b的初始值；

定义损失函数对模型输出值和实际值之间差异进行量化：其中L为差异量化的损失，Gi为节点i的实际标签， 为节点i的模型输出；

执行迭代训练，计算模型预测输出，使用损失函数计算模型预测与实际标签之间差距，采用梯度下降算法进行模型参数W和偏置项b的迭代更新：其中θ代表模型参数，包括W和b，α为学习率， 为损失函数关于θ的梯度；

模型损失不再显著下降或达到预定迭代次数后停止迭代，输出更新后的模型参数W和偏置项b；

基于更新的模型参数W和偏置项b计算注意力系数：

其中aij为第i个节点对其邻居j节点的注意力系数，ci和cj分别为第i个节点和第j个节点的权重向量；

通过加权聚合邻居节点特征向量更新节点特征：

其中x‘i’为节点i更新后的特征向量，ρ为sigmoid函数；

将更新后的节点特征向量输入去蜂窝网络模型完成模型优化得到最终的去蜂窝网络模型；

所述定义去蜂窝网络智能超表面配置指基于去蜂窝网络模型定义智能超表面配置，将智能超表面配置参数形成集合：p＝{p1，p2，……，pn}

其中每个参数pn代表智能超表面配置参数；

定义智能超表面配置奖励函数为：

2

R＝ω*(∫|F{p}|df)‑β*E{p}

其中R为奖励函数输出，代表智能超表面性能指数，F{p}为智能超表面在配置p下反射波的频率响应，E{p}为智能超表面在配置p下的能量消耗，ω和β为权重参数，将智能超表面配置输入奖励函数进行性能评估；

所述基于智能超表面配置进行去蜂窝网络能效优化指得到优化后的智能超表面配置后根据配置对智能超表面IRS单元参数进行调整，控制信道调整完成去蜂窝网络能效优化，并在调整完成后通过网络测试工具评估去蜂窝网络优化效果。

2.如权利要求1所述的基于智能超表面的去蜂窝网络能效优化方法，其特征在于：所述基于粒子群优化算法进行智能超表面配置优化指定义智能超表面配置后采用粒子群优化算法进行智能超表面配置优化：定义粒子群，其中每个粒子代表一种智能超表面配置，粒子位置向量表示为zi＝{zi1，zi2，……，zin}，其中zin代表智能超表面配置的相位调整值，n为智能超表面配置参数的数量；

初始化粒子群中一组粒子的位置向量zi和速度向量vi为随机值，初始化范围值域为：zi(0)＝rand[0,2π]

vi(0)＝rand[Vmin，Vmax]

其中rand为生成随机数，Vmax和Vmin分别为粒子运动的最大和最小速度；

迭代更新粒子位置和速度：

zi(t+1)＝zi(t)+vi(t+1)

其中 为惯性权重，c1和c2为加速系数，qbest，i为粒子i的个体历史最优位置向量，gbest为粒子群的全局最优位置，t为迭代次数；

每次迭代后对粒子位置向量应用智能超表面配置奖励函数得到函数输出R直至迭代得到最大化输出R或达到预设的迭代次数后停止迭代，优化粒子位置向量中的智能超表面配置并输出。

3.一种基于权利要求1和2任一所述的基于智能超表面的去蜂窝网络能效优化系统，其特征在于：包括，数据收集模块，用于部署传感器收集去蜂窝网络数据和信道数据并进行预处理；

网络分析模块，用于构建去蜂窝网络模型；

配置优化模块，用于对去蜂窝网络的智能超表面配置进行优化，完成去蜂窝网络的能效优化；

数据存储模块，用于对收集和分析产生的数据进行存储和安全保护。

4.一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1和2中任一项所述的基于智能超表面的去蜂窝网络能效优化方法的步骤。

5.一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时实现权利要求1和2中任一项所述的基于智能超表面的去蜂窝网络能效优化方法的步骤。