3G Evolution:HSPA与LTE移动宽带技术详解(2007)

需积分: 9 0 下载量 113 浏览量 更新于2024-11-09 收藏 5.76MB PDF 举报
《学术出版社3G进化:HSPA与LTE移动宽带》一书,由Erik Dahlman、Stefan Parkvall、Johan Sköld和Per Bengem四位作者编著,于2007年首次出版。这本书是学术出版社(Academic Press)旗下Elsevier的一部作品,专注于讲解3G技术的发展历程,特别是High-Speed Packet Access (HSPA) 和 Long-Term Evolution (LTE) 在移动宽带领域的关键作用。 HSPA(高速分组接入)是3G技术的一个重要分支,它通过改进了的调制解调技术和多用户多流技术,显著提升了数据传输速率,从而实现了比早期3G标准(如UMTS)更快的互联网连接体验。HSPA技术的引入,使得手机用户能够享受到接近Wi-Fi的速度,这对于移动设备的多媒体应用和移动办公具有革命性的影响。 另一方面,LTE是3G演进的下一代标准,它采用了 Orthogonal Frequency Division Multiple Access (OFDMA) 技术,支持更大的带宽和更高效的频谱利用。LTE的设计目标是提供高达100Mbps的下行速度和40Mbps的上行速度,这使得移动宽带体验更加流畅,适合大规模的高清视频流媒体、在线游戏和其他高数据需求应用。LTE不仅提供了更高的速率,还提高了网络的容量和稳定性,对于推动移动互联网的普及起到了关键作用。 该书可能涵盖了3G技术的发展背景、HSPA和LTE的具体实现原理、技术优势与挑战、网络架构、标准化进展、以及它们如何适应和推动移动宽带市场的发展等方面的内容。此外,书中可能还讨论了CDMA(Code Division Multiple Access)作为3G技术之一,与其他技术如WCDMA(Wideband Code Division Multiple Access)的比较,以及这些技术在全球不同地区的部署案例分析。 由于这本书是在2007年发布,因此内容可能会着重于当时的最新研究成果和技术趋势,对于了解那个时期的3G技术和后续的4G技术发展有着重要的历史价值。对于现今的读者来说,尽管部分技术细节可能已经过时,但其核心概念和对无线通信技术演进的深入剖析仍有参考意义。

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