移动通信网络优化

中国RFID市场发展与展望

随着科学技术的发展和部分应用推广，物联网相关概念成为近期全球关注的焦点，也被视作继计算机、互联网和移动通信网之后世界信息产业的第三次浪潮。
广东江湖云·2022-12-22 19:40

RFID（射频识别）详解（带图）

物联网是继计算机，互联网和移动通信之后的又一次信息产业的革命性发展。物联网产业技术具有产业链特长，设计多个产业群特点。RFID：射频识别技术是一种利用射频信号在空间耦合实现无接触的信息传输，并通过所
东西Z·2022-12-22 19:38

详解6G系统数据治理方案的设计要点和原则

只有通过这样的交流，移动通信系统才能帮助垂直行业以及其他行业取得更大发展。作者：童文、朱佩英来源：大数据DT（ID：hzdashuju）数据的使用范围不同，数据治理本身不论是经济内
大数据v·2022-12-22 08:58

6G愿景与需求：数字孪生、智能泛在

【摘要】面向2030年，提出“数字孪生”和“智能泛在”的社会发展愿景，探讨了全新的6G应用场景，并结合未来的新业务新服务，提炼出6G移动通信系统的技术需求指标，并提出了按需服务、极简、柔性、智慧内生和安全内生等
罗伯特之技术屋·2022-12-22 08:28

6G网络知识图谱技术研究

随着移动通信技术的演进，移动网络形态呈现多样化与异构化
H3C-Navigator·2022-12-22 08:27

全球6G研究进展综述

【关键词】6G；太赫兹；轨道角动量0引言移动通信发展经历了1G/2G/3G/4G的发展历程，已进入5G商用发展的关键阶段，从时间演进规律来看，基本遵循十年一代的发展演进规律，用户
宋罗世家技术屋·2022-12-22 08:27

6G网络智能内生的思考

来源：6G俱乐部作者：李琴，李唯源，孙晓文，胡玉双：中国移动通信有限公司研究院研究员。孙滔：中国移动通信有限公司研究院主任研究员、网络创新实验室技术经理。
人工智能学家·2022-12-22 08:56

未来6G网络内生智能的探讨与分析

【摘要】将机器学习技术应用到未来6G网络使其具备内生智能，是未来移动通信系统发展的重要趋势之一。对将机器学习技术引入到6G网络的必要性、可行性进行分析，并给出了一种网络内生智能的方式。
宋罗世家技术屋·2022-12-22 08:25

tensorflow2.0 学习笔记：一、神经网络计算

求解问题时先把问题描述为表达式，再求解表达式（专家系统）连接主义：模拟神经元连接关系（神经网络）神经网络设计过程例如：图片的分类ifcase——专家系统神经网络：采集大量数据输入特征构成数据集，数据集送入神经网络网络优化参数得到模型
咸鸭蛋黄月饼·2022-12-21 22:30

6G网络的一些思考

作者：中国电信研究院：杨峰义，刘洋，杨蓓摘要：业务需求的不断演进促使移动通信网络做出相应转变。6G网络将成为一个能实现服务资源动态调整、计算资源合理分配、业务与网络深度协同的融合型网络。
边缘计算社区·2022-12-21 22:59

星星之火-52：6G十大领域关键技术

46G信道仿真技术及射线跟踪5超大带宽与全频谱协作6轨道角动量调制技术7宽带太赫兹硬件元器件技术8太赫兹天线技术9太赫兹射频技术10大容量基带数字信号处理技术1.6G超宽带通信系统的网络架构6G即第六代移动通信
文火冰糖的硅基工坊·2022-12-21 22:52

移动通信基础（2）-误比特率、误码率、误帧率、误块率

在无线网络中，一个设备（如eNodeB）是按块（block）向另一个设备（如UE）发送数据的。发送端使用块中的数据计算出一个CRC，并随着该块一起发送到接收端。接收端根据收到的数据计算出一个CRC，并与接收到的CRC进行比较，如果二者相等，接收端就认为成功地收到了正确的数据，并向发送端回复一个“ACK”；如果二者不相等，接收端就认为收到了错误的数据，并向发送端回复一个“NACK”，以要求发送端重传
1candobetter·2022-12-21 12:18

移动通信基础（13）TDL、CDL、信道相关性

目录TDL模型(TapDelayLine)CDL模型(ClusterDelayLine)多径特性的参数分析时延扩展频域相关性高速条件下的信道非平稳特性信道模型参数延迟缩放信道相关性信号的相关性信道相关性参考《U型槽无线信道多径传播特性测量与建模方法的研究》、《5G信号源中的信道模拟与仿真研究》衰落：衰落理解为信号幅度在时间和频率上的不断波动，是无线信道一个重要的恶化特性。信道幅度恶化的两个主要来源
1candobetter·2022-12-21 12:16

移动通信基础（5）信道估计

目录基于LS的信道估计算法（最小二乘法）MMSE信道估计算法（最小均方误差算法）线性最小均方误差信道估计算法((LMMSE)基于指数型PDP的LMMSE信道估计基于导频的信道估计方法基于块状导频的信道估计基于梳状导频的信道估计基于块状导频的信道估计在OFDM系统中通常采用多进制调制方式，则在接收端需要进行相干解调。由于无线信道的传输特性是随时间变化的，因此相干解调就要用到信道的瞬时状态信息，所以在
1candobetter·2022-12-21 05:58

超低成本蓝牙芯片MS1656智慧教室应用案例参考

智慧教室设备能够体现物联网的三个层次（应用层、网络层、感知层），运用传感器、射频识别（RFID）等技术，使信息传感设备实时感知任何需要的信息，按照约定的协议，通过可能的网络（如基于WiFi的无线局域网、移动通信
EVERSPIN·2022-12-20 18:48

GMR-1卫星移动通信系统中融合波束覆盖的动态信道分配算法

【摘要】GMR-1卫星移动通信系统属于典型的带宽频率双受限系统，功率/带宽利用率是评价传输方案优劣的重要指标，提出了一种融合波束覆盖的无线信道动态分配算法，该算法充分利用卫星波束覆盖范围信息，并结合终端地理位置信息实时为用户分配信道资源
罗伯特之技术屋·2022-12-20 16:51

GMR-1卫星移动通信系统中融合波束覆盖的动态信道分配算法

【摘要】GMR-1卫星移动通信系统属于典型的带宽频率双受限系统，功率/带宽利用率是评价传输方案优劣的重要指标，提出了一种融合波束覆盖的无线信道动态分配算法，该算法充分利用卫星波束覆盖范围信息，并结合终端地理位置信息实时为用户分配信道资源
罗伯特之技术屋·2022-12-20 16:20

NNDL 实验八 网络优化与正则化（3）不同优化算法比较

文章目录7.3不同优化算法的比较分析7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.1.3与TorchAPI对比，验证正确性7.3.2学习率调整7.3.2.1AdaGrad算法7.3.2.2RMSprop算法7.3.3梯度估计修正7.3.3.1动量法7.3.3.2Adam算法7.3.4不同优化器的3D可视化对比【选做题】总结心得体会参考链接7.3不同优化算
凉堇·2022-12-20 02:26

矩阵分析与应用-1.4-内积与范数

文章目录前言一、向量的内积与范数1.常数向量的内积与范数2.函数向量的内积与范数3.随机向量的内积与范数二、向量的相似度三、正交向量在移动通信中的应用1.时分多址2.频分多址3.跳频-码分多址4.直接序列
言山兮尺川·2022-12-19 08:46

阿里云李飞飞：中国数据库的时与势

过去的40多年，数据库技术一直在创新与迭代，经历了不亚于移动通信技术从1G到5G的巨大跨越。云计算的出现，让全球数据库市场格局迎来了40年以来的最大拐点。而这一次，时与势站在中国厂商一边。
阿里云云栖号·2022-12-18 22:47

应用加速，数字人民币接入多地交通出行场景 | 产业区块链发展周报

摘要产业动态：微众银行多方大数据隐私计算平台通过信通院权威评测欧洲最大移动运营商沃达丰将为AI智能协议移动终端提供移动通信服务汇丰银行加入迪拜经济的阿联酋KYC区块链平台重庆市先进区块链研究院正式成立Dfinity
陀螺财经·2022-12-17 19:14

Batch Norm、Layer Norm、Instance Norm、Group Norm、Switchable Norm总结

https://blog.csdn.net/qq_41997920/article/details/899459721.综述在入门深度学习时就深度学习中的一些概念做了一些介绍，但随着学习的不断深入，一些网络优化的技巧越来越多
DecafTea·2022-12-17 14:27

5G无线定位技术标准化及发展趋势

【关键词】5G无线定位；定位参考信号；定位测量参数0引言移动定位业务是移动通信系统采用特定的定位技术获取终端的地理位置信息，用于紧急救援、导航和基于位置的管理等业务。
罗伯特之技术屋·2022-12-17 10:54

2.1神经网络优化之损失函数

损失函数(loss)：预测(y)与已知答案(y_)的差距神经网络优化的目标就是想找到某一套参数使损失函数最小主流的loss计算有三种均方误差mse(MeanSquaredError)自定义交叉熵ce(CrossEntropy
SuperBetterMan·2022-12-16 19:57

第二讲-神经网络优化-损失函数

5、损失函数损失函数是前向传播计算出的结果y与已知标准答案y_的差距。神经网络的优化目标，找出参数使得loss值最小。本次介绍损失函数有：均方误差（mse，MeanSquaredError）、自定义、交叉熵(ce,CrossEntropy)均方误差（y_表示标准答案，y表示预测答案计算值）tensorFlow:lose_mse=tf.reduce_mean(tf.square(y-y’))示例：预
loveysuxin·2022-12-16 19:56

边缘计算卸载matlab仿真,移动边缘计算卸载技术简介

1.引言随着移动通信技术的发展和智能终端的普及，各种网络服务和应用不断涌现，用户对网络服务质量、请求时延等网络性能的要求越来越高。
weixin_39917291·2022-12-16 14:57

Adam算法及python实现

它是神经网络优化中的常用算法，在收敛速度上比较快，比SGD对收敛速度的纠结上有了很大的改进。但是该算法的学习率是不断减少的，可能收敛不到真正的最优解，实践中经常是前期Adam，后期SGD进行优化。
zoujiahui_2018·2022-12-16 12:39

【深度学习】PyTorch下的可视化工具（网络结构/训练过程可视化）

新智元作者|锦恢来源|https://zhuanlan.zhihu.com/p/2204036741『网络结构的可视化』我们训练神经网络时，除了随着step或者epoch观察损失函数的走势，从而建立对目前网络优化的基本认知外
风度78·2022-12-16 10:30

MATLAB轻松入门、绘图可视化与神经网络优化

├─大仙带你学MATLAB绘图可视化专题（第一季）│1matlab绘图基本函数.mp4│2matlab子图绘制和坐标轴显示控制.mp4│3matlab网格线和边框设置.mp4│4matlab坐标轴的缩放.mp4│5matlab绘图中级技巧.mp4│6matlab图形手动编辑.mp4│7matlab坐标轴标题和图例.mp4│8matlab文本框标注.mp4│9matlab各类二维图的绘制.mp4│1
weixin_43557787·2022-12-16 08:04

NNDL 实验八 网络优化与正则化（3）不同优化算法比较

NNDL实验八网络优化与正则化（3）不同优化算法比较7.3不同优化算法的比较分析7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.1.3与TorchAPI对比，验证正确性
叶雨柳光·2022-12-16 02:38

CVPR_2021_Riggable 3D Face Reconstruction via In-Network Optimization

为了实现这一目标，我们设计了一个嵌入可微网络优化的端到端可训练网络。该网络首先通过神经解码器将人脸识别器参数化为一个紧凑的潜在代码，然后通过可学习优化估计潜在码和每幅图像的参数。
Nicholas Sc·2022-12-15 22:49

从流量控制算法谈网络优化-TCP核心原理理解

hi，大家好，又是新的一周，周末在朋友圈读到一篇网络优化的文章，感觉文章比较接地气，有实验测试，有数据分析，想分享给大家，让我们再次加强对TCP以及网络优化的理解。
极客重生·2022-12-15 14:45

NNDL 实验八 网络优化与正则化（3）不同优化算法比较

目录7.3不同优化算法的比较分析7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.2学习率调整7.3.2.1AdaGrad算法7.3.2.2RMSprop算法7.3.3梯度估计修正7.3.3.1动量法7.3.3.2Adam算法7.3.4不同优化器的3D可视化对比7.3.4.1构建一个三维空间中的被优化函数【选做题】7.3不同优化算法的比较分析除了批大小对模型
_Gypsophila___·2022-12-15 09:22

NNDL 作业12：第七章课后题

试分析为什么学习率要和批量大小成正比习题7-2在Adam算法中，说明指数加权平均的偏差修正的合理性习题7-9证明在标准的随机梯度下降中，权重衰减正则化和编辑正则化的效果相同.并分析这一结论在动量法和Adam算法中是否依然成立全面总结网络优化习题
uvuvuvw·2022-12-15 09:33

NNDL 实验八 网络优化与正则化（3）

目录7.3不同优化算法的比较7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.2学习率调整7.3.2.1AdaGrad算法7.3.2.2RMSprop算法7.3.3梯度估计修正7.3.3.1动量法7.3.3.2Adam算法7.3.4不同优化器的3D可视化对比7.3.4.1构建一个三维空间中的被优化函数【选做题】总结7.3不同优化算法的比较除了批大小对模型收敛
uvuvuvw·2022-12-15 09:30

m索引OFDM调制解调系统的性能仿真分析

目录1.算法描述2.仿真效果预览3.MATLAB核心程序4.完整MATLAB1.算法描述随着无线通信技术的不断发展,人们对下一代移动通信系统提出了越来越高的要求。
我爱C编程·2022-12-15 08:29

NNDL 实验八 网络优化与正则化（3）不同优化算法比较

7.3不同优化算法的比较分析除了批大小对模型收敛速度的影响外，学习率和梯度估计也是影响神经网络优化的重要因素。
weixin_51715088·2022-12-14 23:51

NNDL 作业12：第七章课后题

试分析为什么学习率要和批量大小成正比习题7-2在Adam算法中，说明指数加权平均的偏差修正的合理性习题7-9证明在标准的随机梯度下降中，权重衰减正则化和编辑正则化的效果相同.并分析这一结论在动量法和Adam算法中是否依然成立全面总结网络优化习题
喝无糖雪碧·2022-12-14 23:50

NNDL 实验八 网络优化与正则化（3）不同优化算法比较

目录7.3不同优化算法的比较分析7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.2学习率调整7.3.2.1AdaGrad算法7.3.2.2RMSprop算法7.3.3梯度估计修正7.3.3.1动量法7.3.3.2Adam算法7.3.4不同优化器的3D可视化对比参考：7.3不同优化算法的比较分析除了批大小对模型收敛速度的影响外，学习率和梯度估计也是影响神经网
喝无糖雪碧·2022-12-14 23:49

物联网通信技术原理-作业汇总（更新ing）

第一章第二章第三章第四章第五章1.移动通信中典型的多址接入方式有哪些？简要说明其工作原理2.分集技术的基本原理是什么？简要说明空间、频率和时间分集、合并的异同。
一直在努力的小宁·2022-12-14 16:01

让样本不一样重要-A Dual Weighting Label Assignment Scheme for Object Detection

CVPR2022论文链接：https://arxiv.org/abs/2203.09730个人理解：样本的重要性是不同的，分类和回归之间一致性较高的锚点十分重要，而一些难以被网络优化的负样本应该有更低的重要性
^如昼·2022-12-14 16:46

贝叶斯神经网络BNN

反向传播网络在优化完毕后，其权重是一个固定的值，而贝叶斯神经网络把权重看成是服从均值为μ，方差为δ的高斯分布，每个权重服从不同的高斯分布，反向传播网络优化的是权重，贝叶斯神经网络优化的是权重的均值和方差
HHHHGitttt·2022-12-13 22:27

Android常见知识点

所谓3G，是指将无线通信与国际互联网等多媒体通信结合的新一代移动通信系统。3G只是一种通信技术标准，符合这个标准的技术有WCDMA、CDMA2000、TD-SCDMA三种制式。
骑猪追大象·2022-12-13 18:33

NNDL 实验八 网络优化与正则化（3）不同优化算法比较

目录7.3不同优化算法的比较分析7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.2学习率调整7.3.2.1AdaGrad算法7.3.2.2RMSprop算法7.3.3梯度估计修正7.3.3.1动量法7.3.3.2Adam算法7.3.4不同优化器的3D可视化对比参考7.3不同优化算法的比较分析除了批大小对模型收敛速度的影响外，学习率和梯度估计也是影响神经网络
五元钱·2022-12-13 15:01

实验八 网络优化与正则化（3）不同优化算法比较

目录7.3不同优化算法的比较分析7.3.1优化算法的实验设定7.3.1.12D可视化实验7.3.1.2简单拟合实验7.3.1.3与TorchAPI对比，验证正确性7.3.2学习率调整7.3.2.1AdaGrad算法7.3.2.2RMSprop算法7.3.3梯度估计修正7.3.3.1动量法7.3.3.2Adam算法7.3.4不同优化器的3D可视化对比编程实现下面的动画并添加Adam7.3不同优化算法
岳轩子·2022-12-13 15:30

神经网络模糊pid控制算法,模糊神经网络应用实例

学习算法是模糊神经网络优化权系数的关键。对于逻辑模糊神经网络，可采用基于误差的学习算法，也即是监视学习
小六oO·2022-12-13 11:07

物联网毕业设计项目推荐

文章目录1前言2选题分享2.1嵌入式方向2.2算法方向2.3移动通信方向2.4学长作品展示2选题技巧2.1如何避坑(重中之重)2.2难度把控2.3题目名称1前言这是学长亲手整理的物联网相关的毕业设计选题
meatball1234_F·2022-12-13 08:29

《神经网络与深度学习》算法伪代码汇总

目录第三章线性模型算法3.1两类感知器的参数学习算法算法3.2一种改进的平均感知器参数学习算法算法3.3广义感知器参数学习算法第四章前反馈神经网络算法4.1使用反向传播算法的随机梯度下降训练过程第七章网络优化与正则化算法
是一个小迷糊吧·2022-12-12 18:06

第7章 网络优化与正则化

搭建神经网络的两个难点：（1）优化问题：首先，神经网络的损失函数非凸，找到全局最优解通常比较困难．其次，深度神经网络的参数非常多，训练数据也比较大，因此也无法使用计算代价很高的二阶优化方法，而一阶优化方法的训练效率通常比较低．此外，深度神经网络存在梯度消失或爆炸问题，导致基于梯度的优化方法经常失效．（2）泛化问题：由于深度神经网络的复杂度比较高，并且拟合能力很强，容易在训练集上产生过拟合．因此需要
Finch4422·2022-12-12 18:01

神经网络与深度学习（八）网络优化与正则化（3）不同优化算法比较

7.3不同优化算法的比较分析除了批大小对模型收敛速度的影响外，学习率和梯度估计也是影响神经网络优化的重要因素。
冰冻胖头鱼·2022-12-12 18:55
上一页 20 21 22 23 24 25 26 27 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他