3G演进:HSPA与LTE的移动宽带技术

需积分: 3 8 下载量 30 浏览量 更新于2024-08-02 1 收藏 5.89MB PDF 举报
"3G.Evolution.HSPA.and.LTE.for.Mobile.Broadband - Academic Press 1st.Edition.2007" 是一本专注于移动宽带技术演进的无线通信经典图书,作者包括Erik Dahlman、Stefan Parkvall、Johan Sköld和Per Benging。该书详细阐述了3G数字蜂窝技术如何逐步演进成先进的宽带移动接入,特别是3GPP(第三代合作伙伴计划)中定义的3G移动通信系统的发展和进化。 书中的第一部分介绍了3G及其演进背景,涉及不同标准组织和机构在定义3G过程中的角色。这部分还讨论了3G演进背后的原因和驱动力。第二部分深入探讨了3G演进中包含或预期包含的一些关键技术,不仅适用于3GPP描述的演进步骤,也适用于理解WiMAX和CDMA2000等其他系统的技术基础。 第三部分详细讲解了3G WCDMA向高速分组接入(HSPA)的当前演进,概述了HSPA的关键特性,并在第二部分的技术基础上讨论了其持续发展。这部分还详细分析了上行链路和下行链路的组件及它们如何协同工作。 第四部分引入了长期演进(LTE)和系统架构演进(SAE)。首先描述了LTE的公认需求和目标,接着给出了LTE的技术概述,包括关键技术组件。然后进一步详细介绍了协议结构、上行链路和下行链路传输方案以及接入程序。系统架构演进,既适用于LTE也适用于HSPA,包括了无线接入网络和核心网络的详细信息。 最后,第五部分对3G演进进行了评估,通过性能评估将3G演进路径与3GPP设定的目标相对比。通过对比其他标准机构开发的类似技术,可以看出3GPP采用的演进技术也在许多其他系统中得到实施。此外,书中展望了未来,指出3G演进并未止步于HSPA演进和LTE。 本书全面涵盖了3G、HSPA和LTE的演进历程和技术细节,是理解移动宽带通信发展历程和技术进步的重要参考资料。

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