4G LTE-Advanced 移动宽带技术详解

需积分: 14 7 下载量 81 浏览量 更新于2024-07-20 1 收藏 10.3MB PDF 举报
"4G LTE-LTE-Advanced for mobile broadband" 是一本由Erik Dahlman、Stefan Parkvall和Johan Skoold合著的专业书籍,由Elsevier学术出版社于2011年首次出版,2014年发布了第二版。该书深入探讨了第四代(4G)移动宽带技术,特别是长期演进(LTE)及其增强版LTE-Advanced。 4G技术是通信领域的重大进步,旨在提供比3G网络更高的数据传输速度和更低的延迟。LTE(Long Term Evolution)是4G技术的一种,它通过更高效的无线通信协议实现了这一目标,如OFDMA(正交频分多址)和MIMO(多输入多输出)技术,这些技术提高了频谱效率和网络容量。 LTE-Advanced是LTE的进一步发展,旨在满足IMT-Advanced(国际移动电信-Advanced)规范对4G的要求。它引入了载波聚合(Carrier Aggregation)功能,允许设备同时使用多个频率带宽,显著提升数据速率。此外,还采用了协调多点传输(CoMP,Coordinated Multi-Point)技术,通过多个基站间的协同工作来优化覆盖和降低干扰,以及使用更高级的MIMO技术,例如多用户MIMO,进一步提高系统性能。 书中可能涵盖了以下关键知识点: 1. **无线接入技术**:详述了LTE和LTE-Advanced中的OFDMA和SC-FDMA(单载波频分多址)技术,以及它们如何在上行和下行链路中分配频谱资源。 2. **网络架构**:介绍了E-UTRAN(演进型UTRAN)和核心网(EPC,Evolved Packet Core)的结构,包括控制面和用户面的流程。 3. **移动性管理**:讨论了不同移动状态(如连接态、空闲态)下的移动性处理,以及小区间切换过程。 4. **资源调度**:阐述了如何在时频域进行资源分配,以确保公平性和效率。 5. **功率控制与干扰管理**:解释了如何通过功率控制策略减少同频和邻频干扰,以及如何利用干扰协调技术改善网络性能。 6. **服务质量(QoS)**:探讨了如何为不同类型的业务(如语音、视频流、实时游戏等)提供不同的QoS保障。 7. **安全机制**:讲解了LTE网络中的加密和认证流程,以保护用户数据的安全。 8. **测试与优化**:涵盖了网络部署后的测试方法,包括性能指标的测量和网络优化策略。 这本书对于理解4G LTE/LTE-Advanced技术及其在网络部署和运营中的应用具有极高的价值,适合通信工程师、网络规划人员、研究人员以及对此领域感兴趣的高等教育学生阅读。

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