3G演进:HSPA与LTE移动宽带详解(第二版)

需积分: 3 21 下载量 32 浏览量 更新于2024-08-02 收藏 10.44MB PDF 举报
《3G Evolution: HSPA and LTE for Mobile Broadband, 2nd Edition》是由Erik Dahlman、Stefan Parkvall、Johan Sköld和Per Bengming共同编著的一本专业书籍,针对移动宽带领域中的3G演进技术进行了深入探讨。本书主要关注HSDPA(High-Speed Downlink Packet Access)和HSUPA(High-Speed Uplink Packet Access)以及后续的4G技术LTE(Long-Term Evolution)的发展与应用。 HSPA(3.5G)是早期3G技术的重要分支,它通过提高数据传输速度,尤其是上行链路的数据速率,提升了移动设备在数据通信上的性能。HSDPA在2006年左右开始普及,显著改进了早期3G网络的用户体验,使得用户能够享受更快的网页浏览、邮件发送和多媒体下载服务。 HSUPA则进一步增强了上行链路的带宽,支持更高效的语音和视频通话,以及更多的实时多媒体应用。它在HSDPA的基础上,实现了更高效的上行数据传输,提升了移动用户的上传能力,对于视频通话、远程工作和社交应用等场景具有重要意义。 随着技术的演进,HSPA逐步让位给更先进的4G标准——LTE。LTE是长期演进技术的缩写,它采用OFDM(Orthogonal Frequency Division Multiplexing)多载波调制方式,提供了显著更高的数据传输速率,尤其是在下行链路上,能够实现接近固定宽带的速度。LTE引入了扁平化的网络架构,减少了时延,提高了网络效率,支持大规模的连接数,并且能无缝切换至后续的5G网络,从而开启了移动互联网的新篇章。 该书的第二版于2008年发布,对3G演进到4G的过程进行了详尽的分析,不仅涵盖了技术原理、标准发展,还深入解析了网络部署策略、优化实践以及与不同应用场景的结合。对于从事无线通信、网络工程、移动设备制造商或任何关注移动宽带技术的人来说,这本书是理解3G到4G技术过渡的关键参考资料。 《3G Evolution: HSPA and LTE for Mobile Broadband, 2nd Edition》是一本权威且实用的指南,有助于读者掌握3G技术的演变历程,理解如何从HSPA迈向高效、高速的LTE系统,以及未来移动宽带技术的潜在发展方向。

import numpy as np from py2neo import Graph graph = Graph("http://23/231/23/4:7474/browser/", auth=("x", "xxx!")) # from py2neo import Node, Relationship def load_data(): query = """ MATCH (u:custom)-[]->(p:broadband) RETURN u.number, p.name, 1 """ result = graph.run(query) # 构建用户商品矩阵 users = set() products = set() data = [] for row in result: user_id = row[0] product_id = row[1] quantity = row[2] users.add(user_id) products.add(product_id) data.append((user_id, product_id, quantity)) # 构建两个字典user_index,user_index,key为名称,value为排序的0~N-1的序号 user_index = {u: i for i, u in enumerate(users)} print("user_index:",user_index) product_index = {p: i for i, p in enumerate(products)} print("product_index:",product_index) # 构建全零矩阵 np.zeros matrix = np.zeros((len(users), len(products))) # 将存在关系的节点在矩阵中用值1表示 quantity = 1 for user_id, product_id, quantity in data: matrix[user_index[user_id], product_index[product_id]] = quantity # print("matrix:",matrix) # user_names = list(user_index.keys()) # product_names = list(product_index.keys()) # print("user_names:", user_names) # print("product_names:", product_names) # 转成用户商品矩阵 # matrix 与 np.mat转化后格式内容一样 user_product_matrix = np.mat(matrix) # print(user_product_matrix) return user_product_matrix def generate_dict(dataTmp): m,n = np.shape(dataTmp) print(m,n) data_dict = {} for i in range(m): tmp_dict = {} # 遍历矩阵,对每一行进行遍历,找到每行中的值为1 的列进行输出 for j in range(n): if dataTmp[i,j] != 0: tmp_dict["D_"+str(j)] = dataTmp[i,j] print(str(j)) print(tmp_dict["D_"+str(j)]) data_dict["U_"+str(i)] = tmp_dict print(tmp_dict) print(str(i)) for j in range(n): tmp_dict = {} for i in range(m): if dataTmp[i,j] != 0: tmp_dict["U_"+str(i)] = dataTmp[i,j] data_dict["D_"+str(j)] = tmp_dict return data_dict def PersonalRank(data_dict,alpha,user,maxCycles): rank = {} for x in data_dict.keys(): rank[x] = 0 rank[user] = 1 step = 0 while step < maxCycles: tmp = {} for x in data_dict.keys(): tmp[x] = 0 for i ,ri in data_dict.items(): for j in ri.keys(): if j not in tmp: tmp[j] = 0 tmp[j] += alpha+rank[i] / (1.0*len(ri)) if j == user: tmp[j] += (1-alpha) check = [] for k in tmp.keys(): check.append(tmp[k] - rank[k]) if sum(check) <= 0.0001: break rank = tmp if step % 20 == 0: print("iter:",step) step = step + 1 return rank def recommand(data_dict,rank,user): items_dict = {} items = [] for k in data_dict[user].keys(): items.append(k) for k in rank.keys(): if k.startswith("D_"): if k not in items: items_dict[k] = rank[k] result = sorted(items_dict.items(),key=lambda d:d[1],reverse=True) return result print("-------------") data_mat = load_data() print("-------------") data_dict = generate_dict(data_mat) print("-------------") rank = PersonalRank(data_dict,0.85,"U_1",500) print("-------------") result = recommand(data_dict,rank,"U_1") print(result) 优化这段代码,将U_N替换成U_NUMBER D_N替换成D_NAME

2023-06-13 上传