网优CSFB端到端优化

一、LTE语音解决方案:

二、CSFB原理介绍:

2.1 CSFB网络架构

CSFB网络实现起来相对简单,只是需要在MME与MSC/VLR之间建立SGs接口,用来处理EPS和CS域之间的移动性管理和寻呼流程。SGs接口也可以用于传送MO和MT的SMS。

    1. CSFB联合附着信令流程

2.3 主叫CSFB信令流程

2.4被叫CSFB信令流程

2.5返回过程

返回过程是指终端在2G侧结束语音业务后返回4G网络的过程。根据终端是否支持自主FR(fast return)能力,可以做如下区分:

第一种:自主FR手机,如iPhone5S;

第二种:非自主FR手机(重点介绍)。

三、CSFB 时延优化及失败原因

3.1被叫接受寻呼失败原因

<1> eNodeB寻呼容量不足引起的Discard;

<2>弱覆盖、高干扰;

<3>TAC 插花或边界不合理引起的UE TAU;

<4>核心网侧的其他原因。

LTE TAC规划原则

基础:4G无线侧初期TAC规划时,基于地图作业,即在Mapinfo中选取最近的2G邻区,将4G侧的TAC配置为与该2G小区LAC相同;使用准确的2G,4G工参至关重要。

首先,完成基站级TAC与LAC一一对应,TAC边界不跨LAC;保持TAC与LAC边界基本一致;

其次,筛查TAC插花,在LAC插花处不要求TAC也插花;

最后,在LAC与TAC边界处,需结合CSFB路测信令工具进行小区配置优化。

3.2 主被叫上发ESR接收重定向指示失败原因

<1> eNodeB未开启CSFB开关,未配置CSFB重定向邻区等;

<2> eNodeB故障引起的UE无法接入,或无法正常收到RRC Connection Release等;

<3>弱覆盖、高干扰引起的信令无法正常传输;

<4>流程竞争导致UE无法收到RRC Connection Release或收到的RRC Connection Release没带GSM频点;比如:Tracking area update、Service Request、Inactively timer超时引起的RRC Connection Release等。

3.3回落到2G小区起呼失败原因值

<1>被叫寻呼失败;

<2>邻区配置不合理,导致回落失败或回落不合理邻区;

<3>GSM邻区高质差、小区故障和载频故障、伪基站;

<4>回落跨MSC Pool的GSM小区。当CSFB终端回落跨MSC Pool时主叫可以接续,但需多做一次LAU,接续时延会变长;被叫无法接续,由于现网MSC Pool间没开启MTRF,导致Paging与Paging Response不在同一个MSC Pool导致被叫未接通。

3.4快速返回LTE失败原因值

终端在2G侧挂机后(触发信令:Channel Release),根据之前芯片记忆的LTE频点,在2s之内直接返回LTE网络,如果2s超时,则驻留2G网络,之后可通过标准的2G>3G->4G桥接重选方式返回4G网络。3G侧需开通空闲态下重选以及连接态下重定向功能。或直接开启2G>4G重选。终端自主FR方案无需现网2G设备升级。iPhone5s在2/3G网络起呼不会触发终端自主FR。

<1>LTE无线环境差导致终端不能驻留无法FR或重选回LTE;

<2>LTE设备故障导致终端无法驻留LTE返回失败;

<3>LTE网络TAU reject导致的回落时延长或回落失败。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值