精华内容
下载资源
问答
  • 第二章 5G三应用场景(外在服务) 2.1 eMBB 增强移动宽带 2.2 URLLC 超可靠低时延通信 2.3 mMTC 海量机器类通信 第三章 5G的四大特征 (内在) 3.1 泛在(网络自身的存在) 3.2 低功耗 3.3 网络虚拟化 3.4 ...

    目录

    第一章  移动通信发展路径

    第二章 5G三大应用场景(外在服务)

    2.1 eMBB 增强移动宽带

    2.2  URLLC 超可靠低时延通信

    2.3 mMTC 海量机器类通信

    第三章  5G的四大特征 (内在)

    3.1 泛在(网络自身的存在)

    3.2 低功耗

    3.3 网络虚拟化

    3.4 网络智能化

    第四章  5G关键的技术(内在技术)

    4.1 无线接入技术

    4.2 网络重构技术

    4.3 分布式业务服务

    第五章 5G无线接入网RAN的演进

    5.1 最初基站一体化,BBU和RRU被放在一个机房或者一个柜子。

    5.2 后来RRU被和BBU分开,被有时候挂墙,大部分时放到机柜里。

    5.3 后来,RRU被放到天线身边,所谓RRU拉远。也就是分布式基站。

    5.4 后来,Distributed RAN(分布式无线接入网)

    5.5 Centralized RAN,集中化无线接入网

    5.6 Cloud RAN (C-RAN), 云化基站

    5.7 5G把BBU进一步拆分:CU与DU分离

    5.8 灵活的RAN网元部署方式

    5.9 灵活的前传接口的部署方式

    5.10  中传(DU)和回传(CU)部署方式

    第六章 5G核心网的演变

    6.1 2G GSM核心网架构

    6.2  3G UMTS核心网架构

    6.3 4G LTE核心网架构

    6.4 5G NR 核心网架构

    第七章 5G的八大组网方案

    7.1 5G组网方案概述

    7.2 选项3系列:4G LTE接入网 + 5G NR 接入网 + 4G LTE核心网

    7.3 选项2:5G NR + 5G 新核心网独立组网

    7.4 选项7系列: 4G LTE接入网 + 5G NR接入网 + 5G核心网

    7.5 选项4系列: 4G LTE接入网 + 5G NR接入网 + 5G 核心网

    7.6 选项5: 4G LTE接入网 + 5G 核心网


    第一章  移动通信发展路径

    第五代移动通信技术(简称5G)是最新一代蜂窝移动通信技术(NR Next Radio),也是继4GLTE)、3GUMTS)和2GGSM)系统之后的延伸。

     

    1G:语音服务,基于模拟信号传输;

    2G:语音+文字+图片服务,基于数字信号传输。当年的彩信就是2G产物;

    3G:语音多媒体,互联网服务,提供更高的速度。3G开始,视频电话成为可能;

    4G:为数据传输而设计,开始支持网络游戏,高清视频等,这是现在的主流网络。

    5G:超高数据速率、超低延时、超大规模设备。

    对点对通信层面上看,5G与4G相比,没有引入全新的核心技术,只是在4G的基础之上做了增强,

    但从网络通信层面上看,5G对传统的电信网络进行了大量的重构,加入了虚拟、泛在、智能等特征。

    5G NR包括三大应用场景、在三大场景之上展现出来的六大基本特征、以及得到实现三大应用场景的6大特征,采用的关键技术。本文的重点探讨这些关键技术的基本原理。

     

    第二章 5G三大应用场景(外在服务)

    2.1 eMBB 增强移动宽带

    超高数据速率(单用户):中延时、高速、大量的手机业务

    相对于4G,5G要解决的第一个问题就是高速度。

    • 传输速率由1G增大增加了10倍,达到10Gbps。
    • 频率更高,工信部初步定下我国的5G频率是3.3Ghz-3.6Ghz/4.8Ghz-5Ghz。全球最有可能优先部署的5G频段为n77、n78、n79、n257、n258和n260,分别是3.3GHz-4.2GHz、 4.4GHz-5.0GHz和毫米波频段26GHz/28GHz/39GHz。国际上主要用28G做实验。
    • 频谱带宽更高, 带宽扩展到400M
    • 超大规模天线阵列xMIMO
    • 频谱效率增加5到10倍,比4G在同样带宽下传输的数据增加5到10倍。
    • 微基站广泛使用,室内移动通讯 基站部署更加密集。

     

    2.2  URLLC 超可靠低时延通信

    超低延时高稳定(单用户): 低延时、高稳定的工业业务

    相对于4G,5G对于时延的最低要求是1毫秒,甚至更低。

    5G的一个新场景是无人驾驶、工业自动化的高可靠连接。

    人与人之间进行信息交流,140毫秒的时延是可以接受的,但是如果这个时延用于无人驾驶、工业自动化就无法接受。

    • 无人驾驶汽车,需要中央控制中心和汽车进行互联,车与车之间也应进行互联,在高速度行动中,一个制动,需要瞬间把信息送到车上做出反应,100毫秒左右的时间,车就会冲出几十米,这就需要在最短的时延中,把信息送到车上,进行制动与车控反应。
    • 无人驾驶飞机更是如此。如数百架无人驾驶编队飞行,极小的偏差就会导致碰撞和事故,这就需要在极小的时延中,把信息传递给飞行中的无人驾驶飞机。
    • 工业自动化过程中,一个机械臂的操作,如果要做到极精细化,保证工作的高品质与精准性,也是需要极小的时延,最及时地做出反应。

    要满足低时延的要求,需要在5G网络建构中找到各种办法,减少时延。边缘计算这样的技术也会被采用到5G的网络架构中。

     

    2.3 mMTC 海量机器类通信

    超大规模设备连接(多用户):低延时、低速、超大量的物联网业务

    传统的1G-4G网络,有由运营商提供的,人与人之间实现文本、语音、视频业务的通信业务。

    5G不仅仅解决人与人之间的通信,还能解决人与物的通信、物与物的通信,把万物互联纳入到了5G系统的目标中。网络终端需要无所不包。

    未来接入到网络中的终端,不仅是我们今天的手机,还会有更多千奇百怪的产品。

    可以说,我们生活中每一个产品都有可能通过5G接入网络。我们的眼镜、手机、衣服、腰带、鞋子都有可能接入网络,成为智能产品。家中的门窗、门锁、空气净化器、新风机、加湿器、空调、冰箱、洗衣机都可能进入智能时代,也通过5G接入网络,我们的家庭成为智慧家庭。

    而社会生活中大量以前不可能联网的设备也会进行联网工作,更加智能。汽车、井盖、电线杆、垃圾桶这些公共设施,以前管理起来非常难,也很难做到智能化。

    而5G可以让这些设备都成为智能设备。

     

    第三章  5G的四大特征 (内在)

    3.1 泛在(网络自身的存在)

    万物无所不在,为万物提供互联的网络需要无所不在,广泛存在。这就就是“泛在”的意思。

    泛在网有两个层面的含义。一是广泛覆盖,一是纵深覆盖。5G的一张大网,无所不在!

    广泛是指我们社会生活的各个地方,需要广覆盖,以前高山峡谷就不一定需要网络覆盖,因为生活的人很少,但是如果能覆盖5G,可以大量部署传感器,进行环境、空气质量甚至地貌变化、地震的监测,这就非常有价值。5G可以为更多这类应用提供网络。

    纵深是指我们生活中,虽然已经有网络部署,但是需要进入更高品质的深度覆盖。我们今天家中已经有了4G网络,但是家中的卫生间可能网络质量不是太好,地下停车库基本没信号,现在是可以接受的状态。5G的到来,可把以前网络品质不好的卫生间、地下停车库等都用很好的5G网络广泛覆盖。

    一定程度上,泛在网比高速度还重要,只是建一个少数地方覆盖、速度很高的网络,并不能保证5G的服务与体验,而泛在网才是5G体验的一个根本保证。

    在3GPP的三大场景没有讲泛在网,但是泛在的要求是隐含在所有场景中的。

     

    3.2 低功耗

    5G要支持大规模物联网应用,就必须要有功耗的要求。

    这些年,可穿戴产品有一定发展,但是遇到很多瓶颈,最大的瓶颈是体验较差。以智能手表为例,每天充电,甚至不到一天就需要充电。所有物联网产品都需要通信与能源,虽然今天通信可以通过多种手段实现,但是能源的供应只能靠电池。通信过程若消耗大量的能量,就很难让物联网产品被用户广泛接受。

    如果能把功耗降下来,让大部分物联网产品一周充一次电,甚或一个月充一次电,就能大大改善用户体验,促进物联网产品的快速普及。

     

    3.3 网络虚拟化

    将网络节点的功能,分割成几个功能区块,分别以软件方式实现,不再拘限于特定的硬件架构。

    基于NFV/SDN的云化、网络切片、引入C/U分离的MEC 是 5G核心网的关键技术.

    5G 可以通过NFV(网络虚拟化)将这些关键技术无缝且有机的连接在一起,这一点,已经在业界达成共识。

     

    3.4 网络智能化

    结合人工技术和大数据分析技术,对网络进行自动化部署、运营、维护、管理和优化以及宏观调控。

     

    第四章  5G关键的技术(内在技术)

    技术是实现3G的三大业务目标和内在特征的手段!因此它与业务场景和内在特征紧密相关。

     

    4.1 无线接入技术

    • 大规模MIMO技术:基站使用几十上百根天线,波束窄,指向性传输,高增益,抗干扰,提高频谱效率;
    • 非正交多址技术:NOMA、MUSA、PDMA、SCMA等非正交多址技术,进一步提升频率利用率率。支持上行非调度传输,减少空口时延,适应低时延要求;
    • 全双工通信技术:是一项通过多重干扰消除实现信息同时同频双向传输的物理层技术,有望成倍提升无线网络容量;
    • 新型调制技术:滤波器组正交频分复用,支持灵活的参数配置,根据需要配置不同的载波间隔,适应不同传输场景;
    • 新型编码技术:LDPC编码和polar码,纠错性能高;
    • 高阶调制技术:1024QAM调制,提升频谱效率

     

    4.2 网络重构技术

    (1)NFV(网络功能虚拟化,Network Function Virtualization)

    就是将网络中的专用电信设备的软硬件功能转移到虚拟机上,在通用的商用服务器上通过软件替代专有硬件来实现网元功能。

    (2)SDN,即软件定义网络,

    5G网络通过SDN连接边缘云和核心云里的VMs(虚拟机),SDN控制器执行映射,建立核心云与边缘云之间的连接。网络切片也由SDN集中控制。

    SDN,NFV和云技术使网络从底层物理基础设施分开,变成更抽象灵活的以软件为中心的构架,可以通过编程,来提供业务连接。

    (3)网络切片:

    5G网络将面向不同的应用场景,比如,超高清视频、虚拟现实、大规模物联网、车联网等等,不同的场景对网络的移动性、安全性、时延、可靠性,甚至是计费方式的要求是不一样的,因此,需要将物理网络切割成多个虚拟网络,每个虚拟网络面向不同的应用场景需求。

    虚拟网络间是逻辑独立的,互不影响。

    只有实现NFV/SDN之后,才能实现网络切片, 因此要了解网络切片的基本原理,必须先了解NFV/SDN的基本原理。

     

    4.3 分布式业务服务

    (1) 移动边缘计算MEC

    移动边缘计算(Mobile Edge Computing, MEC)可利用无线接入网络就近提供电信用户IT所需服务和云端计算功能,而创造出一个具备高性能、低延迟与高带宽的电信级服务环境,加速网络中各项内容、服务及应用的快速下载,让消费者享有不间断的高质量网络体验。

    移动边缘计算改变了4G系统中网络业务分离的状态(RAN接入网提供传输服务,业务服务器提供业务服务),通过对传统无线网络增加MEC平台网元,将业务平台(包含内容、服务、应用)下沉到移动网络边缘,为移动用户提供计算和数据存储服务。

    MEC平台的具体部署方式主要分为两类,包括宏基站场景的部署以及小小区基站场景的部署。

    • 宏基站场景部署

    一般来说,基站的服务范围较广,服务用户较多,且宏基站本身具备一定的计算和存储能力,故MEC在宏基站场景的部署主要为将MEC平台直接嵌入到宏基站的方式。

    拥有MEC功能的宏基站能够降低网络时延、获取业务的上下文信息并且能很好的支持室外的大区域范围的各类垂直行业应用,车联网、智慧城市等等。

    终端就可以直接通过基站直接访问业务服务器,而不需要先通过核心网,才能访问业务服务器。极大的减少了终端与业务之间的延时!

    • 小小区基站场景部署

    考虑到小小区基站的覆盖范围较小,服务用户数较少,且小小区基站的硬件大小也有限制的情况,MEC平台的部署主要以本地汇聚网关的方式出现。

    多个小小区基站共同连接到同一个MEC平台,通过在MEC平台上布置多个业务应用实现特定区域内的运营支撑,如企业、学校内部高效资源访问,商场等室内场所的物联网网关汇聚和数据分析等。

     

    (2) 分布式应用服务器AS

     

    第五章 5G无线接入网RAN的演进

    BBU: 基带处理单元

    RRU: 射频处理单元

    5.1 最初基站一体化,BBU和RRU被放在一个机房或者一个柜子。

    5.2 后来RRU被和BBU分开,被有时候挂墙,大部分时放到机柜里。

    5.3 后来,RRU被到天线身边,所谓RRU拉远。也就是分布式基站

    5.4 后来,Distributed RAN(分布式无线接入网)

    好处:

    • 大大缩短了RRU和天线之间馈线的长度,可以减少信号损耗,也可以降低馈线的成本。
    • 可以让网络规划更加灵活。毕竟RRU加天线比较小,想怎么放,就怎么放。
    • 在D-RAN的架构下,运营商仍然要承担非常巨大的成本,因为为了摆放BBU和相关的配套设备(电源、空调等),运营商还是需要租赁和建设很多的室内机房或方舱。

    5.5 Centralized RAN,集中化无线接入网

    除了把RRU拉远,还把BBU集中起来,BBU变成BBU基带池。分散的BBU变成BBU基带池之后,更强大了,可以统一管理和调度,资源调配更加灵活!

    通过集中化的方式,

    • 可以极大减少基站机房数量,减少配套设备(特别是空调)的能耗。
    • 拉远之后的RRU搭配天线,可以安装在离用户更近距离的位置。距离近了,发射功率就低了。低的发射功率意味着用户终端电池寿命的延长无线接入网络功耗的降低

    5.6 Cloud RAN (C-RAN), 云化基站

    C-RAN下,基站实际上是“不见了”,所有的实体基站变成了虚拟基站。

    所有的虚拟基站在BBU基带池中共享用户的数据收发、信道质量等信息。

    强化的协作关系,使得联合调度得以实现。

     

    5.7 5G把BBU进一步拆分:CU与DU分离

    在5G网络中,接入网不再是由BBURRU天线这些东西组成了。

    而是被重构为3个功能实体:CU(Centralized Unit,集中单元)、DU(Distribute Unit,分布单元)、AAU(Active Antenna Unit,有源天线单元)

    CU:原BBU的非实时部分将分割出来,重新定义为CU,负责处理非实时协议和服务。

    DU:BBU的剩余功能重新定义为DU,负责处理物理层协议和实时服务。

    AAUBBU的部分物理层处理功能(PHY_LOW)原RRU无源天线合并为AAU

    简而言之,CU和DU,以处理内容的实时性进行区分。AAU就是PHY_LOW + RRU + 天线。

     

    5.8 灵活的RAN网元部署方式

    • ① 与传统4G宏站一致,CU与DU共硬件部署,构成BBU单元。
    • ② DU部署在4G BBU机房,CU集中部署。
    • ③ DU集中部署,CU更高层次集中。
    • ④ CU与DU共站集中部署,类似4G的C-RAN方式。

    • 如果前传网络为理想传输(光纤直接到天线那边),那么,CU与DU可以部署在同一个集中点。
    • 如果前传网络为非理想传输(没那么多光纤),DU可以采用分布式部署的方式。
    • 如果是车联网这样的低时延要求场景,DU、CU、应用服务器都想办法往前放(靠近AAU部署),MEC、边缘云,就要派上用场。

     

    5.9 灵活的前传接口的部署方式

    (1)光纤直连方式

    每个AAU与DU全部采用光纤点到点直连组网。

    实现起来很简单,但最大的问题是光纤资源占用很多。

    随着5G基站、载频数量的急剧增加,对光纤的使用量也是激增。

    所以,光纤资源比较丰富的区域,可以采用此方案。

    (2)无源WDM波分复用方式

    无源WDM波分复用设备安装到AAU和DU上,通过无源设备完成WDM功能,利用一对或者一根光纤提供多个AAU到DU的连接。

    无源WDM波分复用设备:光复用传输链路中的光电转换器,也称为WDM波分光模块。不同中心波长的光信号在同一根光纤中传输是不会互相干扰的,所以无源WDM波分复用设备实现将不同波长的光信号合成一路传输,大大减少了链路成本。

    采用无源WDM波分复用设备方式,虽然节约了光纤资源,但是也存在着运维困难,不易管理,故障定位较难等问题。

     

    (3)有源WDM/OTN方式

    在AAU站点和DU机房中配置相应的WDM/OTN设备,多个前传信号通过WDM技术共享光纤资源。

    相比无源WDM方案,组网更加灵活(支持点对点和组环网),同时光纤资源消耗并没有增加。

    OTN(光传送网,OpticalTransportNetwork),是以波分复用技术为基础、在光层组织网络的传送网,是下一代的骨干传送网。

     

    5.10  中传(DU)和回传(CU)部署方式

    中传与回传对于承载网在带宽、组网灵活性、网络切片等方面需求是基本一致的,可以使用统一的承载方案。

    主要有两种方案,承载网中采用的FlexE分片技术、减低时延的技术、SDN架构等,还需进一步了解。

    (1)利用分组增强型OTN设备组建中传网络,回传部分继续使用现有IPRAN架构

    (2)中传与回传网络全部使用分组增强型OTN设备进行组网

    (3)OTN概述

    光传送网(optical transport network)简称OTN,网络的一种类型,是指在光域内实现业务信号的传送、复用、路由选择、监控,并且保证其性能指标和生存性的传送网络。

    光传送网(OTN) 技术是电网络与全光网折衷的产物,将SDH 强大完善的OAM&P 理念和功能移植到了WDM 光网络中,有效地弥补了现有WDM 系统在性能监控和维护管理方面的不足。OTN 技术可以支持客户信号的透明传送、高带宽的复用交换和配置(最小交叉颗粒为ODU1,约为2.5 Gbit/s),具有强大的开销支持能力,提供强大的OAM 功能,支持多层嵌套的串联连接监视(TCM) 功能、具有前向纠错(FEC)支持能力。


    第六章 5G核心网的演变

    6.1 2G GSM核心网架构

    2G组网非常简单,

    MSC(Mobile Switching Center,移动交换中心),就是核心网的最主要设备,是处理信令的核心网元设备。

    HLR(归属位置寄存器),HLR是一个静态数据库,用来存储本地用户数据信息的数据库用,用于鉴权。

    之所以图上面写的是“MSC/VLR”,是因为VLR是一个功能实体,但是物理上,VLR和MSC是同一个硬件设备。相当于一个设备实现了两个角色,所以画在一起。HLR/AUC也是如此,HLR和AUC物理合一。

    2.5G(GPRS)在之前,2G只能打电话发短信的基础上,有了GPRS,就开始有了数据(上网)业务。

    于是,核心网有了大变化,开始有了PS核心网。PS,Packet Switch,分组交换,包交换。于是多出了GGSN和GGSN,SGSN和GGSN都是为了实现GPRS数据业务。

    GSN:Serving GPRS Support Node,服务GPRS支持节点

    GGSN:Gateway GPRS Support Node,网关GPRS支持节点。

     

    6.2  3G UMTS核心网架构

    2.5G到3G基站,由RNC和NodeB组成。

    3G除了硬件变化和网元变化之外,还有两个很重要的思路变化。

    • 其中之一是:IP化,就是TCP/IP,以太网。网线、光纤开始大量投入使用,设备的外部接口和内部通讯,都开始围绕IP地址和端口号进行。
    • 另一个是:就是分离。具体来说,就是网元设备的功能开始细化,分为CP, UP,不再是一个设备集成多个功能,而是拆分开,各司其事。

    在3G阶段,是分离的第一步,叫做承载和控制分离。在通信系统里面,说白了,就两个(平)面,用户面和控制面。

    用户面,就是用户的实际业务数据,就是你的语音数据,视频流数据之类的。

    而控制面,是为了管理数据走向的信令、命令。

    这两个面,在通信设备内部,就相当于两个不同的子系统。

    最后:

    SGSN: 只负责控制面

    GGSN:只负责数据面

     

    6.3 4G LTE核心网架构

    到了4G, SGSN变成MME,GGSN变成SGW/PGW

    基站里面的RNC没有了,为了实现扁平化,功能一部分给了核心网,一部分给了eNodeB。

    MME:Mobility Management Entity,移动管理实体

    SGW:Serving Gateway,服务网关

    PGW:PDN Gateway,PDN网关

    在3G到4G的过程中,IMS((IP Multimedia Subsystem)出现了,取代传统CS(也就是MSC那些),提供更强大的多媒体服务(语音、图片短信、视频电话等)。

     

    6.4 5G NR 核心网架构

    到了5G,网络逻辑结构彻底改变了。

    5G核心网,采用的是SBA架构(Service Based Architecture,即基于服务的架构)。

    SBA架构,基于云原生构架设计,借鉴了IT领域的“微服务”理念。把原来具有多个功能的整体,分拆为多个具有独自功能的个体。每个个体,实现自己的微服务。

    有一个明显的外部表现,就是网元大量增加了。除了UPF之外,都是控制面。

    网元看上去很多,实际上,硬件都是在虚拟化平台里面虚拟出来的。

    这样一来,非常容易扩容、缩容,也非常容易升级、割接,相互之间不会造成太大影响(不知道是核心网工程师的福音还是失业)。

    简而言之,5G核心网就是模块化、软件化。就是为了“切片”。

    就是为了满足不同场景的需求。不同业务应用场合,所使用的不同模块!

     

    第七章 5G的八大组网方案

    7.1 5G组网方案概述

    5G的部署并不是简单新建一张网的事,需要考虑如何和现有4G网络共存,共同发挥作用,确保利益最大化。由此就产生了独立组网SA(Stand Alone)和非独立组网NSA(Non-Stand-Alone)两大类型的方案。

    与过去不同,5G组网架构选项高达8种,除了选项1就是4G架构选项6和8被业界抛弃之外,也还剩下选项2、选项3、选项4、选项5和选项7五种选项,其中,选项3、4、7下面还包括了不同的子选项。

    简单的说,5G组网包括以下方案:

    选项1,独立组网(SA),即LTE基站连接4G核心网,目前4G网络的组网架构。

    ● 选项2,独立组网(SA),即5G NR基站连接5G核心网: 5G NR + 5G 新核心网独立组网

    ● 选项3,非独立组网(NSA),即LTE和5G NR基站双连接4G核心网: 4G LTE接入网 + 5G NR 接入网+4G LTE核心网

    ● 选项4,非独立组网(NSA),即5G NR和LTE基站双连接5G核心网: 4G LTE接入网 + 5G NR接入网 + 5G 核心网

    ● 选项5,独立组网(SA),即LTE基站连接5G核心网: 4G LTE接入网 + 5G 核心网

    ● 选项6,被业界抛弃

    ● 选项7,非独立组网(NSA),即LTE和5G NR基站双连接5G核心网:4G LTE接入网 + 5G NR接入网 + 5G核心网

    ● 选项8,被业界抛弃

    这里还得提一下双连接(DC)。

    双连接技术最早提出于3GPP R12版本,也就是4G时代的载波聚合中。其基本原理是让一部手机连接到无线接入网中的多个小区(来源于一个或多个基站),其中一个是“主”小区,负责无线接入的控制面,即负责处理信令或控制消息;而另一个“从”小区,仅负责用户面,即负责承载数据流量

    R12为啥要引入双连接技术呢?主要是为了提升网络速率,均衡网络负载,以及可避免切换中断,保证稳健的移动性。

    进入5G时代,LTE/NR双连接的原理基本与R12的LTE/LTE双连接原理相同:

    • 要么LTE基站(eNB)为主节点,5G基站(gNB)为辅助节点;
    • 要么5G基站(gNB)为主节点,LTE基站(eNB)为辅助节点。

    7.2 选项3系列:4G LTE接入网 + 5G NR 接入网 + 4G LTE核心网

    (1)选项3:NR基站为辅小区

    在选项3系列中,终端同时连接到5G NR4G LTE,能同时提供4G LTE广覆盖的无线接入和5G NR高速的无线接入。

    这种组网方式下,由于并没有5G的核心网,严格意义上讲,不选是5G网络,只是提供了5G的无线接入,只能满足5G eMBB增强移动宽带场景的需要,无法满足5G的其他两个场景的需要:URLLC 超可靠低时延通信和mMTC 海量机器类通信。因此,只能算4.5G的网络。

    在控制面上,选项3系列完全依赖现有的4G系统。

    在用户面的锚定点上,有3、3a和3x三个不同的子选项。

    选项3的特点如下:

    ● 5G基站的控制面和用户面均锚定于4G基站。

    ● 5G基站不直接与4G核心网通信,它通过4G基站连接到4G核心网。

    ● 4G和5G数据流量在4G基站处分流后再传送的手机终端。

    ● 4G基站和5G基站之间的Xx接口需同时支持控制面和5G数据流量,以及支持流量控制,并要求满足时延需求。

     

    显然,选项3架构最大的问题是----4G基站鸭梨山大。

    由于4G和5G数据流量分流(或聚合)于4G基站,这意味着4G基站要同时处理4G+5G流量,5G的峰值速率是4G的几十倍,且原来的4G基站并非为5G高速率而设计,因此,4G基站必然会遭遇处理能力瓶颈问题。解决办法就是对4G基站进行硬件升级。

    但升级4G基站是要花钱的,一定有运营商不愿意,因此,3GPP就又推出了两种选项——选项3a和3x。

    (2)选项3a

    选项3a和选项3的差别在于,不再让4G基站鸭梨山大,

    • 4G和5G控制面锚定于4G基站。
    • 4G和5G数据面不再通过4G基站分流和聚合,而是用户面各自直通4G核心网。

    选项3a虽然减轻了4G基站的负担,也不用花很多钱对4G基站进行硬件升级,但存在新的缺点。

    • 首先,在用户面上4G基站和5G基站各自直连4G核心网,两者之间没有X2接口互联,这意味着两者将各自为阵单独承载4G和5G,没有负荷共享,比如可能4G基站只承载VoLTE语音流量,而5G基站只承载上网流量。
    • 同时,当手机从5G基站“切换”到4G基站时,需要核心网进行S1(基站与核心网之间的接口) Path Switch,所以存在一点点“切换”时延。

     

    (3)选项3x

    选项3x可以看成是选项3和选项a的合体。

    在选项3x下,

    • 4G和5G控制面锚定于4G基站。
    • 用户面,5G基站直接连接4G核心网,用户数据流量的分流和聚合也在5G基站处完成,要么直接传送到终端,要么通过X2接口将部分数据转发到4G基站再传送到终端。

    选项3x架构面向未来,它即解决了选项3架构下4G基站的性能瓶颈问题,无需对原有的4G基站进行硬件升级,也解决了选项3a架构下4G和5G基站各自为阵的问题。

    对于一些低速数据流,比如VoLTE,还可以从4G核心网直接传送到4G基站。

    目前为止,大多数运营商选择了选项3x。

     

    7.3 选项2:5G NR + 5G 新核心网独立组网

    选项2就是5G NR基站与5G核心网独立组网,一次性将5G核心网和接入网一起“打包”迈进5G时代。

    在非独立组网下,5G与4G在接入网级互通,互连更复杂。

    而在选项2独立组网下,5G网络独立于4G网络,5G与4G仅在核心网级互通,互连简单。如下图所示:

    但问题是:

    与选项3系列依托于4G成熟的网络和生态规模优势不同,运营商一旦选择从选项2开始建网,就意味着需大规模投资建设一张独立的5G网络,在早期5G新用例还未爆发的现状下,这要求运营商需平衡好4G资产保护和5G建网投入。

     

    7.4 选项7系列: 4G LTE接入网 + 5G NR接入网 + 5G核心网

    选项7系列包括7、7a和7x三个子选项。

    类似于选项3,可以把它看成是选项3系列的升级版,只是选项3系列连接4G核心网,而选项7系列则连接5G核心网,NR和LTE均迁移到新的5G核心网。

    (1)选项7

    (2)选项7a

    (3)选择7x

    7.5 选项4系列: 4G LTE接入网 + 5G NR接入网 + 5G 核心网

    选项4系列包括4和4a两个子选项。

    选项4系列要求一个全覆盖的5G网络,因而采用小于1GHz频段来部署5G的运营商比较青睐这种部署方式。

    (1)选项4

    在选项4系列下,4G基站和5G基站共用5G核心网,5G基站为主站,4G基站为从站。

     

    (2)选项4a

    7.6 选项5: 4G LTE接入网 + 5G 核心网

    选项5将4G基站连接到5G核心网,与选项7类似,但没有与NR的双连接。

    选择选项5的运营商非常看重5G核心网的云原生能力,比如英国运营商Three就计划提前将4G核心网迁移至5G核心网,以帮助一些企业专网提早接入其5G核心网,为他们提供灵活的网络切片服务,以及希望尽早为消费者提供云游戏服务等。

     


    参考:

    https://www.jianshu.com/p/f9c013ac8eff

     

    展开全文
  • 本系列博客主要是在学习《模式识别(张学工著 第三版)》时的一些笔记。 本文地址:...为了消除特征之间可能存在的相关性,减少特征中与分类信息无关的信息

    本系列博客主要是在学习《模式识别(张学工著 第三版)》时的一些笔记。
    本文地址:http://blog.csdn.net/shanglianlm/article/details/49468797

    1 引言

    1-1 问题

    从 D 个特征中选出 d (< D) 个新特征。

    1-2 目的

    1. 降低特征空间的维数,使后续分类器设计在计算上更容易实现;
    2. 为了消除特征之间可能存在的相关性,减少特征中与分类信息无关的信息,使新特征更有利于分类。

    1-3 公式

    线性: y=WTx
    非线性: y=W(x)

    2 基于类别可分性判据的特征提取

    采用前面第七章中介绍的类别可分性判据作为衡量新特征的准则,则特征提取的问题就是求最优的 W ,使

    这里写图片描述

    其中 J 为类别可分性判据。

    这里写图片描述

    3 主成分分析方法(PCA)

    目的:从原特征组中计算出一组按重要性从大到小排列的新特征,它们是原有特征的线性组合,并且相互之间是不相关的。

    协方差矩阵计算的是不同维度之间的协方差,而不是不同样本之间的。

    求协方差矩阵matlab代码:

    data = rand(m, n);
    X = data – repmat(mean(data), m, 1);    % 中心化样本矩阵
    C = (X'*X)./(size(X,1)-1)

    应用
    - 降维后分类(不一定有利)或聚类。
    - 去噪。

    关于PCA的一个链接 PCA (主成分分析)详解 (写给初学者) 结合matlab

    4 Karhunen-Loeve变换

    基本原理和 PCA 类似,但 K-L 变换能够考虑到不同的分类信息,实现监督的特征提取。

    4-1 K-L变换

    这里写图片描述
    这里写图片描述
    这里写图片描述

    4-2 性质:

    • K-L 是信号的最佳压缩表示(损失最小);
    • K-L 变换的新特征是互不相关的,新特征向量的二阶矩阵是对角阵,对角阵元素就是 K-L 变换中的本征值。
    • K-L 坐标系用来表示原数据,表示熵最小(样本的方差信息最大程度地集中在较少的维数上)。
    • 如果用本征值最小的 K-L 变换坐标来表示原数据,则总体熵最小(在这些坐标上的均值能够最好地代表样本集)。

    4-3 与 PCA 关系

    K-L得到的 d 个新特征与 PCA 中的 d 个主成分很相似,当原特征为零均值或者对原特征值进行去均值处理后,二者就等价了。

    4-4 用于监督模式识别的 K-L 变换

    这里写图片描述

    这里写图片描述

    4-4-1 从类均值中提取判别信息

    这里写图片描述

    实例
    这里写图片描述
    这里写图片描述
    这里写图片描述

    4-4-2 包含在类平均向量中判别信息的最优压缩

    如果要用最少的维数来保持原空间中类平均向量中的信息,则可以在是特征间互不相关的前提下最优压缩均值向量中包含的分类信息。
    这里写图片描述
    这里写图片描述

    这里写图片描述
    这里写图片描述

    4-4-3 类中心化特征向量中分类信息的提取

    如果把各类样本都减去各自的均值,就消除了各类均值差别所包含的分类信息。这时,如果各类的分布形状不同,仍然能从各类的协方差中提取出分类信息。

    这里写图片描述

    4-5 K-L变换在人脸识别中的应用举例(eigenface 方法)

    eigenface 方法: Eigenfaces for recognition

    这里写图片描述
    这里写图片描述
    这里写图片描述

    三个要点:
    1. XXT 的维数较大时,特征值难计算,考虑先计算 XTX 的,然后变过来。
    2. 通过控制最后提取的特征值占所有特征值的比重,来确定本征脸的个数。
    3. 其他图像的特点与人脸不同,所以也可以用来做人脸检测。
    4.
    这里写图片描述

    5 高维数据的低维显示

    当数据在高维空间中时,通过线性变换在二维(或三维)空间内反映数据的分布,叫做数据的低维可视化。
    例如 使用 PCA 映射到二维 或者 取主成分的 前几维。

    6 非线性变换方法

    当数据在高维空间中具有复杂的分布时,通过线性变换在二维(或三维)空间内反映数据的分布会有很大的局限性。

    6-1 核主成分分析(KPCA)

    6-1-1 基本思想

    对样本进行非线性变换,通过在变换空间进行主成分分析来实现在原空间的非线性主成分分析。利用可再生希尔伯特空间的性质,在变换空间中的协方差矩阵可以通过原空间中的核函数进行运算,从而绕开了复杂的非线性变换。

    6-1-2 具体算法

    这里写图片描述
    这里写图片描述

    6-1-3 特点

    这里写图片描述

    6-2 IsoMap方法

    这里写图片描述

    Isomap的优点在于:
    1. 求解过程依赖于线性代数的特征值和特征向量问题,保证了结果的稳健性和全局最优性;
    2. 能通过剩余方差判定隐含的低维嵌入的本质维数;
    3. Isomap方法计算过程中只需要确定唯一的一个参数(近邻参数k或邻域半径e)。

    [1] A Global Geometric Framework for Nonlinear Dimensionality Reduction

    6-3 LLE 方法

    这里写图片描述
    这里写图片描述

    [1] Locally Linear Embedding

    6-4 多维尺度法(MDS)

    6-4-1 古典尺度法

    与PCA类似,多维尺度分析(MDS)的目的也是把观察的数据用较少的维数来表达。然而,MDS利用的是成对样本间相似性构建合适的低维空间,使得样本在此空间的距离和在高维空间中的样本间的相似性尽可能的保持一致。

    MDS 的出发点并不是把样本从一个空间映射到另外一个空间,而是为了根据样本之间的距离关系或不相似度关系在低维空间里生成对样本的一种表示。

    6-4-2 古典尺度法(主坐标分析 principal coordinates analysis)

    这里写图片描述
    这里写图片描述
    这里写图片描述
    这里写图片描述
    这里写图片描述

    6-4-3 度量型 MDS

    这里写图片描述
    这里写图片描述

    6-4-4 非度量型 MDS

    与 度量型 MDS 的差异:
    - 也叫做 顺序 MDS。
    - 度量型 MDS 只有定性意义,非度量型 MDS 有定性意义和 定量意义(A与B比A与C更相似)。
    - 也需要最小化 式(8-61)或式(8-63)形式的目标函数,但是其中的 函数 ϕ() f() 只需要是某种单调函数或弱单调函数即可。

    [1] https://en.wikipedia.org/wiki/Multidimensional_scaling
    [2] http://www.analytictech.com/borgatti/mds.htm
    [3] http://www.fon.hum.uva.nl/praat/manual/Multidimensional_scaling.html

    6-5 LE(Laplacian eigenmaps)(拓展)

    LE(Laplacian eigenmaps)的基本思想是,用一个无向有权图描述一个流形,然后通过用图的嵌入(graph embedding)来找低维表示。简单来说,就是在保持图的局部邻接关系的情况下,将其图从高维空间中重新画在一个低维空间中(graph drawing)。

    在至今为止的流形学习的典型方法中,LE速度最快,但是效果相对来说不理想。

    LE的特点,就是如果出现离群值(outlier)情况下,其鲁棒性(robustness)十分理想。这个特点在其他流形学习方法中没有体现。

    展开全文
  • C++实现常用八大排序算法—实现及其对比

    万次阅读 多人点赞 2018-06-15 22:06:40
    ps:希尔排序,当N时,平均的时间复杂度,大约在N^1.25–1.6N^1.25之间。 选择排序算法准则: 每种排序算法都各有优缺点。 影响排序的因素有很多,平均时间复杂度低的算法并不一定就是最优的。相反,有时...

    这里写图片描述

    算法之间 时间复杂度.空间复杂度.稳定性的比较:

    这里写图片描述

    ps:希尔排序,当N大时,平均的时间复杂度,大约在N1.25–1.6N1.25之间。

    选择排序算法准则:


    每种排序算法都各有优缺点。

    影响排序的因素有很多,平均时间复杂度低的算法并不一定就是最优的。相反,有时平均时间复杂度高的算法可能更适合某些特殊情况。同时,选择算法时还得考虑它的可读性,以利于软件的维护。一般而言,需要考虑的因素有以下四点:

    1.待排序的记录数目n的大小;

    2.记录本身数据量的大小,也就是记录中除关键字外的其他信息量的大小;

    3.关键字的结构及其分布情况;

    4.对排序稳定性的要求。

    设待排序元素的个数为n.
    1)当n较大,则应采用时间复杂度为O(nlog2n)的排序方法:快速排序、堆排序或归并排序序。

      快速排序:是目前基于比较的内部排序中被认为是最好的方法,当待排序的关键字是随机分布时,快速排序的平均时间最短;
       堆排序 :  如果内存空间允许且要求稳定性的,
     归并排序:它有一定数量的数据移动,所以我们可能过与插入排序组合,先获得一定长度的序列,然后再合并,在效率上将有所提高。
    

    2) 当n较大,内存空间允许,且要求稳定性 ——归并排序
    3)当n较小,可采用直接插入或直接选择排序。

    直接插入排序:当元素分布有序,直接插入排序将大大减少比较次数和移动记录的次数。
    直接选择排序 :元素分布有序,如果不要求稳定性,选择直接选择排序
    

    5)一般不使用或不直接使用传统的冒泡排序。

    6)基数排序
    它是一种稳定的排序算法,但有一定的局限性:
      1、关键字可分解。
      2、记录的关键字位数较少,如果密集更好
      3、如果是数字时,最好是无符号的,否则将增加相应的映射复杂度,可先将其正负分开排序。


    插入排序:

    • 直接插入排序
    • 希尔排序

    直接插入排序 :

    思想:将数组中的所有元素依次和前面的已经排好序的元素相比较(依次),如果选择的元素比已排序的元素小,则交换,直到全部元素都比较过。

    这里写图片描述

    代码实现:

    Sort.h:

    #pragma once
    
    #include <iostream>
    using namespace std;
    
    #include <assert.h>
    
    
    //直接插入排序
     void InsertSort (int* a,size_t n)
     {
    	 assert(a);
    	 for(size_t i = 1;i < n; ++i)//用end的位置控制边界
    	 {
    		 //单趟排序
    		 int end = i - 1 ;
    		 int tmp = a[i];
    		 while( end >= 0 )//循环继续条件
    		 {
    			 if( a[end] > tmp )
    			 {
    				 a[end+1] = a[end];
    				 --end;
    			 }
    			 else
    				 break;
    		 }
    		 a[end+1] = tmp;
    	 }
     }
    
    
    

    test.cpp :

    #include "Sort.h"
    
     void Print(int a[],int len)
    {
    	for(int i = 0; i < len; ++i)
    	{
    		cout<<a[i]<<" ";
    	}
    	cout<<endl;
    }
    
     void test()
     {
    	 //升序排序
    	 int a [] = {2,5,7,6,12,4,3,9,0};
    	 int len = sizeof(a)/sizeof(a[0]);
    	 cout<<"before sort :";
    	 Print(a,len);
    
    	 InsertSort(a,len);
    	 cout<<"after sort :";
    	 Print(a,len);
    
     }
    int main ()
    {
    	test();
    	return 0;
    }
    

    希尔排序 :

    思想:希尔排序也称缩小增量排序;希尔排序是把记录按下标的一定增量分组,对每组使用直接插入排序算法排序,随着增量逐渐减少,每组包含的关键词越来越多,当增量减至1时(用gap = gap/3+1 控制),保证了最后一次进行直接插入排序,算法终止。(其中直接插入排序是希尔排序gap=1的特例)另外,gap越大,值越大的容易到最后面,但是不太接近有序。—— 一般gap不要超过数组大小的一半

    这里写图片描述

    代码实现:

    void ShellSort(int* a,size_t n)
     {
    	 assert(a);
    	 //1. gap > 1 预排序
    	 //2. gap == 1 直接插入排序
    	 //3. gap = gap/3 + 1; 保证最后一次排序是直接插入排序
    
    	 int gap = n;
    	 while ( gap > 1 )
    	 {
    		 gap = gap/3+1;
    		 //单趟排序
    		 for(size_t i = 0;i < n-gap; ++i)
    		 {
    			 int end = i;
    			 int tmp = a[end+gap];
    			 while( end >= 0 && a[end] > tmp )
    			 {
    				 a[end+gap] = a[end];
    				 end -= gap;
    			 }
    			 a[end+gap] = tmp;
    		 }
    	 }
     }
    

    选择排序:

    • 选择排序
    • 堆排序

    选择排序 :

    思想:在一个无序数组中选择出每一轮中最值元素,然后把这一轮中最前面的元素和min交换,最后面的元素和max交换;然后缩小范围(开始位置(begin++)++,最后位置(end–)--),重复上面步骤,最终得到有序序列(升序)。

    这里写图片描述

    代码实现:

    void SelectSort(int* a,size_t n)
    {
    	assert(a);
    	int begin = 0;
    	int end = n-1;
    	while ( begin < end )
    	{
    		int min = begin,max = begin;
    		for(int i = begin; i <= end; ++i)
    		{
    			if( a[min] > a[i] )
    				min = i;
    			if( a[max] < a[i] )
    				max = i;
    		}
    		swap( a[min],a[begin] );
    		if( max == begin )//如果首元素是最大的,则需要先把min 和 max的位置一换,再交换,否则经过两次交换,又回到原来的位置
    			max = min;
    		swap( a[max],a[end] );
    		begin++;
    		end--;
    	}
    }
    
    

    堆排序 :

    思想:
    堆排序利用了大堆(或小堆)堆顶记录的关键字最大(或最小)这一特征,使得当前无序的序列中选择关键最大(或最小)的记录变得简单。(升序—建大堆,降序—建小堆)

    代码实现:

    class HeapSort {
    public:
        void AdjustDown(int *A, int root, int n){
            int parent = root;
            int child = parent*2+1; // 左孩子
            while( child < n ){
                if( (child+1) < n && A[child+1] > A[child] ){
                    ++child;
                }
                if( A[child] > A[parent] ){
                    swap(A[child],A[parent]);
                    parent = child;
                    child = parent*2+1;
                }
                else
                    break;
            } 
        }
        int* heapSort(int* A, int n) {
            // write code here
            assert(A);
            // 找到倒数第一个非叶子节点----- 建大堆
            for( int i = (n-2)/2; i >=0 ; i-- ){
                AdjustDown(A,i,n);
            }
            
            int end = n-1;
            while( end > 0 ){
                swap(A[0],A[end]);
                AdjustDown(A,0,end); // end其实就是不算后面的一个元素,原因是最后一个节点已经是最大的
                end--;
            }
            return A;
        }
    };
    

    交换排序


    • 冒泡排序
    • 快速排序

    #### 冒泡排序:

    基本思想就是:从无序序列头部开始,进行两两比较,根据大小交换位置,直到最后将最大(小)的数据元素交换到了无序队列的队尾,从而成为有序序列的一部分;下一次继续这个过程,直到所有数据元素都排好序。

    算法的核心在于每次通过两两比较交换位置,选出剩余无序序列里最大(小)的数据元素放到队尾。

    这里写图片描述

    代码实现:

    void BubbleSort(int* a,size_t n)
    {
    	assert(a);
    	size_t end = n;
    	int exchange = 0;
    	while( end > 0 )//end作为每趟排序的终止条件
    	{
    		for( size_t i = 1; i < end ; ++i )
    		{
    			if( a[i-1] > a[i] )
    			{
    				swap(a[i-1],a[i]);
    				exchange = 1;
    			}
    		}
    		if( 0 == exchange )//数组本身为升序,如果一趟排序结束,并没有进行交换,那么直接跳出循环(减少循环次数,升高效率)
    			break;
    		--end;
    	}
    }
    

    #### 快速排序排序算法:

    详情请见我的另外一篇文章:
    快速排序算法—左右指针法,挖坑法,前后指针法,递归和非递归
    https://blog.csdn.net/qq_37941471/article/details/80522354

    归并排序:


    思想:分治法

    每个递归过程涉及三个步骤
    第一, 分解: 把待排序的 n 个元素的序列分解成两个子序列, 每个子序列包括 n/2 个元素.
    第二, 治理: 对每个子序列分别调用归并排序__MergeSort, 进行递归操作
    第三, 合并: 合并两个排好序的子序列,生成排序结果.

    这里写图片描述

    void __MergeSort( int *a, int left, int right, int * tmp  )
    {
    	if( left >= right ) //退出条件
    		return;
    	int mid = left+((right-left)>>1);
    	__MergeSort(a,left,mid,tmp); // 递归左半数组
    	__MergeSort(a,mid+1,right,tmp); // 递归右半数组
    
    	//将排好序的两部分数组归并(排序)
    
    	int begin1 = left,end1 = mid;
    	int begin2 = mid+1,end2 = right;
    	int index = left;
    
    	while( begin1<=end1 && begin2<=end2 )// 循环条件:任一个数组排序完,则终止条件,最后将没有比较完的数组直接一一拷过去
    	{
    		if( a[begin1] <= a[begin2] )
    		{
    			tmp[index++] = a[begin1++];
    		}
    		else
    		{
    			tmp[index++] = a[begin2++];
    		}
    	}
    
    	while( begin1 <= end1 )//右半数组走完了
    	{
    		tmp[index++] = a[begin1++];
    	}
    	while( begin2 <= end2 )//左半数组走完了
    	{
    		tmp[index++] = a[begin2++];
    	}
    
    	//tmp数组已经排好序,将数组内容拷到原数组,递归向上一层走
    	index = left;
    	while( index <= right )
    	{
    		a[index] = tmp[index];
    		++index;
    	}
    }
    
    void MergeSort( int *a,size_t n )
    {
    	int *tmp = new int[n]; // 开一个第三方数组来存取左右排好序归并后的序列
    	__MergeSort(a,0,n-1,tmp);
    	delete[] tmp; // 最后释放第三方空间
    }
    
    

    优化:


    在递归子问题的时候在区间内的数据比较少的时候我们可以不再划分区间,直接用直接插入排序效率会更高,因为接着划分又要创建栈桢,没有必要

    void __MergeSort( int *a, int left, int right, int * tmp  )
    {
    	if( left >= right ) //退出条件
    		return;
    	if( right-left+1 <10 )//优化
    	{
    		InsertSort(a+left,right-left+1);
    	}
    	int mid = left+((right-left)>>1);
    	__MergeSort(a,left,mid,tmp); // 递归左半数组
    	__MergeSort(a,mid+1,right,tmp); // 递归右半数组
    
    	//将排好序的两部分数组归并(排序)
    
    	int begin1 = left,end1 = mid;
    	int begin2 = mid+1,end2 = right;
    	int index = left;
    
    	while( begin1<=end1 && begin2<=end2 )// 循环条件:任一个数组排序完,则终止条件,最后将没有比较完的数组直接一一拷过去
    	{
    		if( a[begin1] <= a[begin2] )
    		{
    			tmp[index++] = a[begin1++];
    		}
    		else
    		{
    			tmp[index++] = a[begin2++];
    		}
    	}
    
    	while( begin1 <= end1 )//右半数组走完了
    	{
    		tmp[index++] = a[begin1++];
    	}
    	while( begin2 <= end2 )//左半数组走完了
    	{
    		tmp[index++] = a[begin2++];
    	}
    
    	//tmp数组已经排好序,将数组内容拷到原数组,递归向上一层走
    	index = left;
    	while( index <= right )
    	{
    		a[index] = tmp[index];
    		++index;
    	}
    }
    
    void MergeSort( int *a,size_t n )
    {
    	int *tmp = new int[n]; // 开一个第三方数组来存取左右排好序归并后的序列
    	__MergeSort(a,0,n-1,tmp);
    	delete[] tmp; // 最后释放第三方空间
    }
    

    完整代码:


    
    #include <iostream>
    using namespace std;
    
    #include <assert.h>
    
    //直接插入排序
     void InsertSort (int* a,size_t n)
     {
    	 assert(a);
    	 for(size_t i = 1;i < n; ++i)//用end的位置控制边界
    	 {
    		 //单趟排序
    		 int end = i - 1 ;
    		 int tmp = a[i];
    		 while( end >= 0 )//循环继续条件
    		 {
    			 if( a[end] > tmp )
    			 {
    				 a[end+1] = a[end];
    				 --end;
    			 }
    			 else
    				 break;
    		 }
    		 a[end+1] = tmp;
    	 }
     }
    void __MergeSort( int *a, int left, int right, int * tmp  )
    {
    	if( left >= right ) //退出条件
    		return;
    	if( right-left+1 <10 )//优化
    	{
    		InsertSort(a+left,right-left+1);
    	}
    	int mid = left+((right-left)>>1);
    	__MergeSort(a,left,mid,tmp); // 递归左半数组
    	__MergeSort(a,mid+1,right,tmp); // 递归右半数组
    
    	//将排好序的两部分数组归并(排序)
    
    	int begin1 = left,end1 = mid;
    	int begin2 = mid+1,end2 = right;
    	int index = left;
    
    	while( begin1<=end1 && begin2<=end2 )// 循环条件:任一个数组排序完,则终止条件,最后将没有比较完的数组直接一一拷过去
    	{
    		if( a[begin1] <= a[begin2] )
    		{
    			tmp[index++] = a[begin1++];
    		}
    		else
    		{
    			tmp[index++] = a[begin2++];
    		}
    	}
    
    	while( begin1 <= end1 )//右半数组走完了
    	{
    		tmp[index++] = a[begin1++];
    	}
    	while( begin2 <= end2 )//左半数组走完了
    	{
    		tmp[index++] = a[begin2++];
    	}
    
    	//tmp数组已经排好序,将数组内容拷到原数组,递归向上一层走
    	index = left;
    	while( index <= right )
    	{
    		a[index] = tmp[index];
    		++index;
    	}
    }
    
    // 归并排序
    void MergeSort( int *a,size_t n )
    {
    	int *tmp = new int[n]; // 开一个第三方数组来存取左右排好序归并后的序列
    	__MergeSort(a,0,n-1,tmp);
    	delete[] tmp; // 最后释放第三方空间
    }
    
    void Print(int a[],int len)
    {
    	cout<<endl;
    
    	for(int i = 0; i < len; ++i)
    	{
    		cout<<a[i]<<" ";
    	}
    	cout<<endl;
    }
    
    void test()
     {
    	 //升序排序
    	 int a[] = {9,8,7,6,5,4,3,2,1};
    	/*  int a[] = {2,5,4,0,9,3,6,8,7,1};*/
    	 int len = sizeof(a)/sizeof(a[0]);
    	 cout<<"before sort :";
    	 Print(a,len);
    
    	 MergeSort(a,len);
    	 cout<<"after sort :";
    	 Print(a,len);
    
     }
    
    int main ()
    {
    	test();
    	return 0;
    }
    

    展开全文
  • 通过分析数据特征来为建模做准备。账户数据特征通常分为活动行为特征,社团特征,发文特征、语法语义特征、时空特征等: 1. 活动特征:发文数量,发文被回复的比例,连续发文的平均时间间隔,用户在站点的发文级别...

    账户数据本身的可分析性是分析算法的基础。通过分析数据特征来为建模做准备。账户数据特征通常分为活动行为特征,社团特征,发文特征、语法语义特征、时空特征等:

    1. 活动特征:发文数量,发文被回复的比例,连续发文的平均时间间隔,用户在站点的发文级别,本站点首发的天数,通过发文回复关系得出的聚集系数和互惠性,两人之间在一个共同讨论中的次数。

    2. 社团特征:对普通用户的差评比例,被举报的比例,被删比例,被限制比例。
    3. 发文特征:文本作者,虚假写作样式,钓鱼内容,恶作剧内容,故意捣乱内容,

    是否短句,是否骂人,是否第一人称,字符数量,平均单词长度,平均音节数,大句子数量,自动易读指数ARI,语言探索与字词计数LIWC特征的不同目录数。

    4. 词法特征:此法是否和自动语言生成程序如Eliza类似,平均的hashtag数量,用户@数量,链接数,特殊字符数。是否有地理信息,标点符号和链接的比例。

    5. 语义特征:平均情绪分数,反驳排序度量值(Contradiction Rank),负面情绪长度,高频主题,所用语言数量,情绪不连续度

    6. 时态行为特征:用户情绪随时间是否来回自相矛盾,用户情绪的变动情况方差,互相交流时间分布的熵,发文时间的可预测性,每日发文数量,失去粉丝的比例,信噪比。

    7. 用户概况特征:是否有图,是否绑定主页URL, 用户名是否看起来是自动生成的,发文回复@的数量,粉丝数量,账号和此人其他途径网站账号互相绑定的数量。GPS可定位性,是否在黑名单出现过。

    8. 网络特征:用户情感与他关注的人以及粉丝的情绪分值的平均差,平均转发数量,出度和入度中心度,平均聚集系数,Pagerank中心度和相互中心度,用户网络是否呈星型或团结构,用户关注人是已知机器人账号的数量,用户所属网络中存在机器人账号的数量和比例。


    参考文献:
    1. Srijan Kumar, Justin Cheng, Jure Leskovec, V.S. Subrahmanian. "An Army of Me: Sockpuppets in Online Discussion Communities." WWW, 2017 – 26th International World Wide Web Conference, 2017
    2. V.S. Subrahmanian, Amos Azaria, Skylar Durst, Vadim Kagan et al. " The DARPA Twitter Bot Challenge" Computer 49 (6), 38-46. IEEE, 2016

    展开全文
  • 视觉图像特征信息提取(一)

    千次阅读 2018-05-01 19:24:30
    图像边缘与图像平滑 图像边缘对分析视觉图像特别重要,是图像分割,纹理特征提取,和形状特征 提取等图像分析的重要基础。1.图像边缘 a.图像最基本的特征是边缘,所谓边缘是指图像中像素灰度有阶跃变化或屋顶状...
  • 图像形状特征)--SC形状上下文

    万次阅读 2016-12-13 09:19:03
    形状上下文特征是一种很流行的形状描述子,多用于形状匹配,目标识别,它采用一种基于形状轮廓的特征描述方法,其在对数极坐标系下利用直方图描述形状特征能够很好地反映轮廓上采样点的分布情况。 形状上下文的基本...
  • 人脸检测()--HOG特征原理及实现

    千次阅读 2016-05-30 08:46:11
     ...1)HOG特征的原始文献 "Histograms of Oriented Gradients for Human Detection"  "Finding People in Images and Videos" (PhD Thesis) (较为详细)   2) ...
  • 图像特征:SIFT特征

    千次阅读 2018-08-20 20:27:25
    计算机视觉中的特征点提取算法比较多,但SIFT除了计算比较耗时以外,其他方面的优点让其成为特征点提取算法中的一颗璀璨的明珠。SIFT算法的介绍网上有很多比较好的博客和文章,我在学习这个算法的过程中也参看网上...
  • 前言: 在图像中角点是一个重要的局部特征,它决定了图像中关键区域的形状,体现了图像中重要的特征信息,所以在目标识别、图像匹配、图像重构方面角点具有十分重要的意义。 图像中角点的数量远比总像素数小,如果...
  • 供应链金融的八大模式:①基于B2B电商平台;②基于B2C电商平台;③基于支付;④基于ERP系统;⑤基于一站式供应链管理平台;⑥基于SaaS模式的行业解决方案;⑦基于大型商贸交易园区与物流园区;⑧基于大型物流企业。 ...
  • 资产是指企业的交易或者事项形成的、由企业拥有或者控制的、预期会给企业带来经济利益的资源。按照传统的分类方式,资产可以...在业务开展过程中,资产信息的录入、分析与挖掘,直接影响项目的周期和收益。 当前资产..
  • 学生信息检索概论练习题

    千次阅读 2021-07-16 15:35:20
    一、填空题 1.著名的引文索引检索工具SCI的...6.一本印刷的检索工具,其结构大体可以分为,三部分:文前栏目、正文和书后附属部 6.按约束力来划分,标准可以分为强制性标准和推荐性标准。 7.一般来说,我们把SCI、E
  • 深度学习的八大开源框架

    千次阅读 2017-06-16 16:26:23
    深度学习八大开源框架 导读:深度学习(Deep Learning)是机器学习中一种基于对数据进行表征学习的方法,深度学习的好处是用非监督式或半监督式的特征学习、分层特征提取高效算法来替代手工获取特征(feature)。...
  • 宅在家里不能回去工作,还是学习一下GEE吧!借用网友绘制的图片,加油,一切都会好起来的! 之前在GEE中做随机森林分类...1、目前常用的包含特征重要信息分析的分类方法包括: (1)决策树 ee.Classifier.s...
  • 2019八大科技趋势,指引你走向技术下一站

    万次阅读 多人点赞 2019-01-09 10:27:33
    随着3D传感器的快速普及、多种生物特征的融合,每个设备都能更聪明地“看”和“听”。生物识别和活体技术也将重塑身份识别和认证,数字身份将成为人的第二张身份证。从手机解锁、小区门禁到餐厅吃饭,到高铁进站、...
  • :基于行业经验,选择那些对目标变量有更影响的特征。 可视化 :就像它的名字,可视化有助于使变量之间的关系更加直观,使变量选择过程更加便捷。   统计参数 :我们也考虑P值、信息值和其他...
  • 一般可用树形图表现,如下图,一个线上培训网站,用户都会打开搜索课程,所以需要优化搜索课程。而在第一次搜索课程后,用户并没有搜索到想要的课程,又进行了第二次搜索,因此可以将用户搜索频率高的关键词设置...
  • 1)HOG特征的原始文献 "Histograms of Oriented Gradients for Human Detection"  "Finding People in Images and Videos" (PhD Thesis) (较为详细)   2) HOG特...
  • :基于行业经验,选择那些对目标变量有更影响的特征。 可视化 :就像它的名字,可视化有助于使变量之间的关系更加直观,使变量选择过程更加便捷。 统计参数 :我们也考虑P值、信息值和其他统计参数来...
  • 原文: http://blog.csdn.net/cy513/article/details/4414352 ... 局部特征系列: 局部特征(1)——入门篇 ...局部特征(2)——Harris角点 ...局部特征(3)——SURF特征总结 局部特征(4...
  • 图像配准,特征点提取与匹配

    万次阅读 多人点赞 2019-03-26 12:20:55
    图像配准 本文为原创文章,转载请注明...匹配:指寻找两幅影像中相似的部分(基于特征点或灰度等),从而找到与搜索图像相似的图像 配准:将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度...
  • 解读物联网八大环节供应链(附13大电子行业产业链全景图) http://www.50cnnet.com 物联中国 核心提示:物联网发展的当务之急是先联网,再谈增值应用。一、巨头入局,行胜于言英特尔:2014年发布爱迪生(Edison)...
  • 原标题:详解5G两关键性技术,如何实现标志性能力指标 5G概念可由“标志性能力指标”和“一组关键技术”来共同定义。标志性能力指标上文已介绍,一组关键技术包括无线传输技术和无线网络技术。采用这些关键技术是...
  • 机器学习-常用八大神经网络框架

    千次阅读 2020-07-21 15:37:29
    下面介绍八大常用的神经网络 1.感知机 在统计模式识别的标准范例中,首先将原始输入向量转换为特征激活向量,然后基于大家的共识手动编程来定义特征,接下来学习如何对特征激活加权获得单一标量,如果标量超出了...
  • 特征工程】呕心之作——深度了解特征工程

    千次阅读 多人点赞 2018-11-06 10:17:05
    信息冗余:对于某些定量特征,其包含的有效信息为区间划分,例如学习成绩,假若只关心“及格”或不“及格”,那么需要将定量的考分,转换成“1”和“0”表示及格和未及格。 定性特征不能直接使用:某些机器学习...
  • 如果利用某一个特征进行分类与随机分类的结果没有很的差别,则称这个特征是没有分类能力的。这样的特征可以丢弃。常用的特征选择的准则是信息增益和信息增益比。二、信息增益要了解信息增益,我们要先知道熵与条件...
  • 一文读懂特征工程

    万次阅读 多人点赞 2018-07-31 20:24:01
    一文读懂特征工程   作者:July 说明:本文是七月在线机器学习第九期第五次课 特征工程的课程笔记,课程主讲...时间:二零一年七月三十一日。   0 前言 我所在公司七月在线每个月都是各种机器学习、深度学...
  • 特征选择与稀疏学习

    千次阅读 2018-07-17 17:31:52
    根据生活经验易知:并不是所有的特征都与学习任务相关,例如年龄/学历/专业可能很程度上影响了收入,身高/体重这些外貌属性也有较小的可能性影响收入,但像是否是一个地地道道的吃货这种属性就杆子打不着了。...
  • python dlib学习():训练人脸特征点检测器

    万次阅读 多人点赞 2017-11-12 15:28:17
    前言前面的博客(python dlib学习(二):人脸特征点标定)介绍了使用dlib识别68个人脸特征点,但是当时使用的是dlib官方给出的训练好的模型,这次要自己训练一个特征点检测器出来。当然,想要达到state-of-art的...
  • Python-opencv3 SIFT算法做特征匹配

    万次阅读 多人点赞 2018-04-13 17:51:39
    这里面牵扯到了尺度不变而对特征做变换的问题。这里简单介绍一下SIFT的概念,并知晓如何找到SIFT中的Keypoints和Descriptors,最后展示一个Demo。 简介 SIFT(Scale-invariant feature transform),也叫尺度...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 78,575
精华内容 31,430
关键字:

信息的八大特征