4G LTE/LTE-Advanced 移动宽带技术详解

需积分: 12 0 下载量 201 浏览量 更新于2024-07-26 收藏 20.1MB PDF 举报
"Academic.4G.LTE.LTE-Advanced.for.Mobile.Broadband.2011" 是一本深入探讨4G移动宽带技术,特别是LTE(长期演进)和LTE-Advanced的专业书籍,由Erik Dahlman, Stefan Parkvall和Johan Sköld合著。这本书针对对4G技术感兴趣的读者,旨在提供全面且深入的了解。 4G LTE(第四代长期演进)是移动通信技术的一个重要里程碑,它显著提高了数据传输速度和网络效率。在4G LTE系统中,用户可以体验到比3G网络更高的数据速率,这使得高清视频流、在线游戏和大量数据应用成为可能。4G LTE技术通过采用OFDM(正交频分复用)和MIMO(多输入多输出)等先进无线通信技术,实现了高速、低延迟的无线数据传输。 LTE-Advanced作为4G LTE的增强版本,进一步提升了性能,以满足ITU(国际电信联盟)对于IMT-Advanced(国际移动通信-先进)标准的要求。它引入了载波聚合技术,允许手机同时使用多个频段,极大地增加了可用带宽,从而实现更高速的数据传输。此外,LTE-Advanced还包括中继站(Relay Node)技术,用于扩大覆盖范围,特别是在难以部署传统基站的地方。 本书详细阐述了4G LTE和LTE-Advanced的关键技术和实现细节,涵盖了从网络架构、无线接口设计到频谱效率优化等多个方面。作者们详细讨论了如何通过精心设计的协议和算法来提高系统的整体性能,同时考虑了能源效率和移动性管理等问题。 此外,书中还涉及到了版权和许可信息,强调未经出版者书面许可,不得复制或以任何形式传播本书内容。这表明作者和出版者对知识产权的尊重,同时也保护了读者能够获取未经篡改的原始信息。 "Academic.4G.LTE.LTE-Advanced.for.Mobile.Broadband.2011" 是一本权威的4G技术指南,对于通信工程师、研究人员以及希望深入了解移动通信技术的读者来说,都是一本不可或缺的参考书。通过阅读本书,读者可以全面掌握4G LTE和LTE-Advanced的核心原理,理解其在现代移动通信网络中的应用,并洞察未来可能的技术发展趋势。

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