3GPP TR 21.902: UMTS & LTE Evolution

ETSI-3GPP
需积分: 4 0 下载量 21 浏览量 更新于2024-07-16 收藏 119KB PDF 举报
“ETSI TR 121902 V9.0.0 (2010-01)” 是一份技术报告，详细讨论了移动通信领域的技术标准，特别是针对3GPP系统（包括UMTS和LTE）的演进。这份报告是Release 9版本，由欧洲电信标准化协会(ETSI)发布。 在移动通信领域，ETSI（欧洲电信标准化协会）是一个关键的角色，它负责制定和推广全球统一的电信标准。3GPP（第三代合作伙伴计划）是由多个国际组织组成的联盟，旨在制定和维护移动通信系统的全球性规范，包括2G、3G、4G以及5G网络。3GPP TR 21.902是3GPP工作的一部分，专注于系统演进的研究和技术发展。 本报告“3GPP TR 21.902 version 9.0.0 Release 9”涵盖了UMTS（通用移动通信系统）和LTE（长期演进）的演进。UMTS是3G网络的标准，而LTE则代表了从3G向4G的过渡，提供了更高的数据传输速度和更低的延迟。Release 9是3GPP的一个重要版本，通常包含对现有技术的增强和新功能的引入。 报告的关键关键词包括“LTE”和“UMTS”，这表明其主要关注的是这两个技术领域。报告可能涉及以下方面： 1. **系统架构演进**：描述了3GPP系统如何从UMTS向LTE演进，包括核心网络和无线接入网络的改进。 2. **技术规范**：详细规定了LTE的物理层、链路层和网络层的协议，如OFDM（正交频分复用）和MIMO（多输入多输出）等技术。 3. **性能提升**：可能涵盖提高频谱效率、增加数据速率、降低功耗以及改善服务质量(QoS)的方法。 4. **网络融合**：讨论了如何将UMTS网络与LTE网络进行无缝集成，确保用户在不同技术之间平滑切换。 5. **新服务与应用**：可能涉及支持新的移动服务和应用的技术需求，如物联网(IoT)、多媒体服务和高速互联网访问。 6. **互操作性**：确保不同制造商的设备和网络能够协同工作，符合全球互通性标准。 7. **测试与验证**：报告可能包含了测试规范和验证方法，以确保新技术和功能的正确实施。 8. **版本更新**：Release 9的更新可能包括对之前版本的问题修复、功能增强和市场反馈的响应。 报告还提到了文档的电子版本和印刷版的差异处理，以及如何获取最新版本的信息，强调了在任何争议中，以ETSI秘书处特定网络驱动器上保存的PDF版本作为参考。 ETSI TR 121902 V9.0.0 (2010-01) 是一个深入探讨3GPP系统，特别是UMTS和LTE演进的重要技术资料，对于理解移动通信技术的发展和标准制定过程具有很高的价值。

tr_101290v010301p.pdf

2019-07-01 上传
数字视频广播（DVB）系统测量指南是一份由欧洲电信标准化协会（ETSI）发布的技术报告，编号为TR 101 290。这份文件是测量DVB系统...在实际应用这些知识点时，应当参考完整的TR 101 290 v1.3.1文件以获取最准确的信息。

tr_121902v100000p.pdf

2020-03-30 上传
标题中提到的“tr_121902v100000p.pdf”似乎是一个文件的名称，这个文件是关于移动通讯的技术标准报告，具体是指ETSI的TR 121 902 V10.0.0版本。标题表明文件是关于第三代合作伙伴计划（3GPP）的技术报告。3GPP是一...

BP_list=' MPSS.HA.1.1/modem_proc ADSP.VT.5.4.3.c1/adsp_proc BTFM.CMC.1.2.0/btfm_proc WLAN.HL.3.2.4/wlan_proc BOOT.XF.4.1/boot_images Divar.LA.2.1.1/common ADSP.VT.5.4.3/adsp_proc TZ.APPS.1.23/qtee_tas MPSS.HA.1.2/modem_proc BTFM.CMC.1.3.0/btfm_proc CDSP.VT.2.4.1/cdsp_proc RPM.BF.1.10/rpm_proc TZ.APPS.2.0/qtee_tas Divar.LA.2.1/common TZ.XF.5.1.6/trustzone_images BTFM.CHE.2.1.6/btfm_proc 'shell中怎么排序

2023-06-08 上传
echo $BP_list | tr ' ' '\n' | sort | tr '\n' ' ' ``` 输出结果如下： ``` ADSP.VT.5.4.3/adsp_proc ADSP.VT.5.4.3.c1/adsp_proc BTFM.CHE.2.1.6/btfm_proc BTFM.CMC.1.2.0/btfm_proc BTFM.CMC.1.3.0/btfm_proc ...

select c.* from tr_card_info_gather_temp c where c.slot= 'ccc2/3' and c.dev_id = '219.141.128.30' UNION select t. from tr_card_info_gather_ext_temp t where t.slot= 'ccc2/3' and t.dev_id = '219.141.128.30' 找出bug

2023-06-09 上传
SELECT c.* FROM tr_card_info_gather_temp c WHERE c.slot = 'ccc2/3' AND c.dev_id = '219.141.128.30' UNION SELECT t.* FROM tr_card_info_gather_ext_temp t WHERE t.slot = 'ccc2/3' AND t.dev_id = '219.141....

详细解释一下这段代码，每一句都要进行注解：for _, (tr_idx, te_idx) in enumerate(tqdm(groups, total=5, desc="Folds")): tr_idx = pd.Series(tr_idx).sample(n=2000000,random_state=42).values multioutput_regressor = LGBMMultiOutputRegressor(lgb.LGBMRegressor(**best_params_)) x_train = train.loc[tr_idx, cols].to_numpy() y_train = train.loc[tr_idx, pcols].to_numpy() x_test = train.loc[te_idx, cols].to_numpy() y_test = train.loc[te_idx, pcols].to_numpy() multioutput_regressor.fit( x_train, y_train, eval_set=(x_test, y_test), eval_metric=custom_average_precision, early_stopping_rounds=15, verbose = 0, ) regs.append(multioutput_regressor) cv = metrics.average_precision_score(y_test, multioutput_regressor.predict(x_test).clip(0.0,1.0)) cvs.append(cv) print(cvs) print(np.mean(cvs))

2023-05-28 上传
tr_idx = pd.Series(tr_idx).sample(n=2000000,random_state=42).values ``` 从当前组的训练数据中随机抽样2000000个样本，防止数据过多导致内存溢出。random_state=42表示设置随机种子，确保每次随机抽样的结果一致...

请详细解释一下这段代码，每一句需要注解：for , (tr_idx, te_idx) in enumerate(tqdm(groups, total=5, desc="Folds")): tr_idx = pd.Series(tr_idx).sample(n=2000000,random_state=42).values multioutput_regressor = LGBMMultiOutputRegressor(lgb.LGBMRegressor(**best_params)) x_train = train.loc[tr_idx, cols].to_numpy() y_train = train.loc[tr_idx, pcols].to_numpy() x_test = train.loc[te_idx, cols].to_numpy() y_test = train.loc[te_idx, pcols].to_numpy() multioutput_regressor.fit( x_train, y_train, eval_set=(x_test, y_test), eval_metric=custom_average_precision, early_stopping_rounds=15, verbose = 0, ) regs.append(multioutput_regressor) cv = metrics.average_precision_score(y_test, multioutput_regressor.predict(x_test).clip(0.0,1.0)) cvs.append(cv) print(cvs) print(np.mean(cvs))

2023-05-28 上传
tr_idx = pd.Series(tr_idx).sample(n=2000000,random_state=42).values ``` 将训练集索引 `tr_idx` 转换为 Pandas Series，并使用 `sample` 方法从中随机抽取 2000000 个样本。这里使用了随机种子 42，以便使结果可...

UPDATE FILE_BANK_TRANS_HELP T1 JOIN FILE_BANK_TRANS T2 ON T2.REFER_NO_FULL = T1.TR_XSERNO AND T1.TR_DATE = '#{BATCH_WORK_DATE}' SET T1.TERM_ID = T2.TERM_ID, T1.CARD_NO = T2.CARD_NO;转换为Oracle语句

2023-06-03 上传
SELECT TR_XSERNO FROM FILE_BANK_TRANS_HELP WHERE TR_DATE = '#{BATCH_WORK_DATE}' ) ) T2 ON (T2.REFER_NO_FULL = T1.TR_XSERNO) WHEN MATCHED THEN UPDATE SET T1.TERM_ID = T2.TERM_ID, T1.CARD_NO = T2.CARD...

SELECT c.dev_id,c.card_serial card_serial, t.card_serial sub_card_serial,t.sub_slot sub_slot FROM tr_card_info_gather_temp c left join tr_card_info_gather_ext_temp t on c.dev_id = t.dev_id and c.slot = t.slot 判断sub_slot不为空时取sub_card_serial，否则取card_serial

2023-06-09 上传
LEFT JOIN tr_card_info_gather_ext_temp t ON c.dev_id = t.dev_id AND c.slot = t.slot; ``` 这个查询语句使用了 `LEFT JOIN` 来连接两个表，使用 `CASE WHEN` 语句来根据 `sub_slot` 是否为空来判断是取 `card_...

channel_est = mean(freq_tr_syms,2).*conj(longtrain);

2023-08-01 上传
1. `mean(freq_tr_syms,2)`：这是对`freq_tr_syms`矩阵按列求平均值的操作。通过将`freq_tr_syms`的每一列相加并除以列数，得到每一行的平均值。 2. `conj(longtrain)`：这是对`longtrain`矩阵中每个元素取共轭的...

model=MLPRegressor(hidden_layer_sizes=10,max_iter=1000).fit(tr_x,tr_y) model.fit(tr_x, tr_y) ​ # 在训练集上进行预测，并计算平均绝对百分比误差（MAPE） tr_y_pred = model.predict(tr_x) tr_mape = mape(tr_y_pred, tr_y) ​ # 在测试集上进行预测，并计算平均绝对百分比误差（MAPE） te_y_pred = model.predict(te_x) te_mape = mape(te_y_pred, te_y) ​ # 绘制训练集真实值与预测值的散点图和对角线 plt.scatter(tr_y, tr_y_pred) plt.plot([tr_y.min(), tr_y.max()], [tr_y.min(), tr_y.max()], 'r--', label='Diagonal') plt.xlabel('True Values') plt.ylabel('Predicted Values') plt.title('MLPRegressor- Training Set') plt.legend() plt.show() ​ # 绘制测试集真实值与预测值的散点图和对角线 plt.scatter(te_y, te_y_pred) plt.plot([te_y.min(), te_y.max()], [te_y.min(), te_y.max()], 'r--', label='Diagonal') plt.xlabel('True Values') plt.ylabel('Predicted Values') plt.title('MLPRegressor - Test Set') plt.legend() plt.show()。这是什么模型

2023-06-13 上传
模型通过在训练集上进行拟合（model.fit(tr_x, tr_y)），然后在训练集和测试集上进行预测（model.predict(tr_x)和model.predict(te_x)），并使用MAPE衡量预测精度。最后，使用matplotlib库绘制了训练集和测试集的...
joujizhuang
  • 粉丝: 0
  • 资源: 81
上传资源 快速赚钱

最新资源