移动宽带的3G演进:HSPA与LTE第二版

4星 · 超过85%的资源 需积分: 3 17 下载量 94 浏览量 更新于2024-08-02 收藏 10.06MB PDF 举报
"3G.Evolution.HSPA.and.LTE.for.Mobile.Broadband.2nd.Edition" 本书《3G Evolution: HSPA and LTE for Mobile Broadband》的第二版是一本深入探讨移动宽带技术发展的权威著作,由Erik Dahlman、Stefan Parkvall、Johan Sköld和Per Benging四位专家共同撰写。这本书详细阐述了3G技术的演进,特别是高速分组接入(HSPA)以及长期演进(LTE)技术。 HSPA是3G网络的一个重要升级,它显著提高了数据传输速率,从而增强了移动宽带服务。HSPA包括HSUPA(高速上行链路分组接入)和HSDPA(高速下行链路分组接入),这些技术旨在提升3G网络的上行和下行速度,为用户提供更流畅的互联网体验,如高清视频流、在线游戏和快速文件下载。书中会详细介绍HSPA的工作原理、网络架构、关键技术及其性能优化策略。 LTE,作为4G技术的先驱,致力于提供更高的数据速率和更低的延迟,以满足不断增长的移动数据需求。LTE采用了OFDMA(正交频分多址)和MIMO(多输入多输出)等先进无线通信技术,极大地提升了网络容量和覆盖范围。书中将详细解析LTE的系统设计、频谱效率、移动性管理、网络部署策略以及向5G演进的路径。 此外,书中还涵盖了与移动宽带相关的标准发展、频谱分配、网络规划与优化、服务质量(QoS)保证以及与用户设备(UE)的交互等内容。读者可以从中了解到如何实现高效、可靠和灵活的移动网络运营,以及如何应对不断变化的市场需求和技术挑战。 此书对理解3G到4G的演进过程,以及HSPA和LTE技术在实际应用中的关键问题具有极高的参考价值,无论是对于电信行业的专业人士,还是对移动通信技术感兴趣的学者,都是不可或缺的参考资料。通过阅读本书,读者将能够深入理解移动通信技术的发展历程,以及这些技术如何塑造了当今的移动互联网世界。

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